RCNNshift：利用核函数和无训练需求的脉冲神经网络进行移动物体跟踪

《ACM Transactions on Multimedia Computing, Communications, and Applications》：RCNNshift: Moving Object Tracking with Kernel and Training-Free Spiking Neural Network

目标跟踪研究提出RCNNshift算法，融合3D卷积神经网络与核方法，利用时空特征构建无监督特征空间，减少计算开销，在遥感等高分辨率场景中优于传统方法。

　　

摘要

移动物体跟踪在计算机视觉应用中至关重要，例如自主导航和监控。传统的基于核的方法（如Meanshift和Camshift）在计算效率上表现优异，但在处理复杂运动和遮挡场景时常常失效。深度学习方法虽然提高了性能，但需要大量的计算资源和广泛的预训练。在本文中，我们提出了一种名为RCNNshift的新型跟踪算法，该算法将三维随机耦合神经网络（3DRCNN）与基于核的窗口更新过程相结合，从而无需进行预训练。RCNNshift通过利用3DRCNN提供的时空信息构建了一个稳健的特征空间，实现了高效的跟踪并降低了计算开销。此外，它在基于核的窗口更新步骤中采用了一维特征空间，这比传统的多维方法更高效。我们在多个数据集上对RCNNshift进行了评估，结果发现其在准确性和可靠性方面均显著优于Meanshift和Camshift，尤其是在高分辨率和稳定的遥感环境中。RCNNshift在性能和计算效率之间取得了良好的平衡，使其适用于资源有限的现实世界应用。