deepsort的特征提取网络

特征提取网络是deepsort算法中的关键组成部分，它可以将目标检测框中的特征提取出来并保存。通过这一网络，可以在目标被遮挡后又重新出现时，利用前后的特征对比来重新追踪目标，从而大大减少目标在遮挡后追踪失败的可能性。

在deepsort算法中，特征提取网络一般是在训练过程中得到的。具体训练流程如下所示：首先，运行相应的代码，进行特征提取网络的训练。训练完毕后，可以在指定目录（例如deep_sort/deep_sort/deep/checkpoint目录）下获取一个新的特征提取网络。

特征提取网络通常是基于卷积神经网络（CNN）的架构设计。例如，常用的yolo v3算法中，通过特征提取网络对输入图像进行特征提取，获得一定大小的特征图。然后，根据尺寸聚类确定anchor box。对于每个边界框，网络会预测4个坐标偏移量。

此外，特征提取网络的最后一层通常是全连接层。全连接层是最原始、最早出现的神经网络结构之一，能够传递特征信息而减少信息损失。然而，全连接层的参数较多，计算量大，训练较慢。因此，一般在CNN的尾部进行重新拟合，以减少特征信息的损失。<span class="em">1</span><span class="em">2</span><span class="em">3</span><span class="em">4</span>

相关问题

deepsort运动特征提取

DeepSORT是一种目标跟踪算法，它通过结合深度学习和卡尔曼滤波来实现高效、准确的多目标跟踪。在DeepSORT中，运动特征是通过对目标的运动轨迹进行建模来提取的。具体而言，DeepSORT使用卡尔曼滤波来预测每个目标的位置和速度，并将这些预测结果与检测器的输出进行匹配，以确定目标ID并更新其状态。运动特征的提取是通过对目标的位置和速度信息进行编码来实现的，这可以用于跟踪过程中的目标匹配和重新识别。在实际应用中，可以使用各种深度学习模型来提取运动特征，例如卷积神经网络（CNN）和循环神经网络（RNN）。

deepsort网络架构图

DeepSORT网络的架构图如下所示:
中描述的Cosine深度特征网络具有2个卷积层和6个残差块。该网络使用L2归一化层来计算不同行人之间的相似性，以与余弦外观度量兼容。

中提到，DeepSORT采用了经过大规模人员重新识别数据集训练的Cosine深度特征网络。这个数据集包含了1,261位行人的1,100,000多张图像。

中给出了基于YOLO的Deep-Sort算法的不同版本，分别是基于YOLOv5、YOLOv4和YOLOv3实现的Deep Sort多目标跟踪系统。

中展示了在DeepSORT中用于计算特征向量余弦距离的公式。该公式通过提取特征向量并进行L2正则化得到特征向量，然后计算两个特征向量之间的余弦距离。这个公式用于计算物体跟踪的所有特征向量和物体检测之间的最小余弦距离。

综上所述，DeepSORT网络的架构图包括了Cosine深度特征网络、基于YOLO的Deep-Sort算法的不同版本以及用于计算特征向量余弦距离的公式。<span class="em">1</span><span class="em">2</span><span class="em">3</span><span class="em">4</span>