报告题目：压缩感知及深度学习技术在视觉跟踪中的应用

报告时间：2016年10月31日 13：30

报告地点：郁B102

报告人：李汉曦

报告人简介：李汉曦，1982年生，江西师范大学特聘教授、硕士生导师、澳大利亚格里菲斯大学客座研究员。北京航空航天大学本科及硕士毕业，2008年至2011年在澳大利亚国立大学攻读博士学位，师从沈春华教授（Prof. Chunhua Shen）。博士毕业后在澳大利亚先进技术研究院（NICTA）继续从事计算机视觉研究，历任助理研究员、研究员，2014年底回国。研究方向包括深度学习、物体跟踪、人脸识别等。在诸如TPAMI, TIP, PR,CVIU, TNNLS等权威期刊和CVPR，ECCV，BMVC, ACCV等领域内重要会议发表了有影响力的论文二十余篇。并长期担任TIP, T-CSVT, Neurocomputing等权威期刊以及CVPR、ICCV等人工智能界顶级会议的评审人。

报告内容简介：

视觉跟踪（Visual tracking）是计算机视觉研究的重要领域。在第一帧给定物体运动状态（Motion state）的情况下，任务要求继续跟踪与估计物体在接下来所有帧的运动状态。本次报告主要介绍两大类视觉跟踪算法，也即基于压缩感知的视觉跟踪算法以及基于深度学习的视觉跟踪算法。

压缩感知（Compressed Sensing）或稀疏表达算法(Sparse Representation)是一种特殊的线性表达方法。利用对组合基的0范数或1范数的约束达到线性表达的目的。压缩感知在信号处理、图像去噪以及人脸识别等领域有广泛应用。本次报告主要介绍几种基于压缩感知的视觉跟踪算法：包括最初的l1 tracker、本次报告人提出的Compressed Sensing Tracker以及精度较高的SCM算法。

深度学习（Deep Learning）通过深度神经网络以及与之相关的最优化算法统一学习物体的表观特征（Appearance Features）以及与之对应的分类器。由于摆脱了对传统手动设计特征的依赖，深度学习在计算机视觉的各个应用中都取得了大大超越传统算法的精确度。视觉跟踪领域引入深度学习算法的历史较短，但也取得了传统算法无法企及的高精度。本次报告将介绍近年来几种主要的基于深度学习的视觉跟踪算法：DeepTrack; Hierarchical Convolutional Tracker以及MDNet Tracker。通过对这些算法的梳理以及比较，总结分析目前视觉跟踪的最新动态以及发展趋势。