因為待遇低，因為工作不開心，已經嚴重影響了自己的工作積極性和工作效率，這幾天發覺這樣對自己實在是一種損失，決定提高工作效率，減少工作時間。

說說最近做的tracking, multi-object tracking。

object tracking首先要有object才能tracking是吧，而學術上研究的大多數single object tracking，其實就是單目標跟蹤，就是開始你畫個區域，告訴算法你要跟蹤的是那個東西，然後接下來的視頻裏，把這個東西框出來。而實際應用的多是multi-object tracking，就是找出來所有目標，然後自己去跟蹤。以下說的都是multi-object tracking.

目前deep learning如火如荼的時代，tracking也無法逃避Deep learning的魔掌的。目前的思路，效果比較好的就是檢測時用深度學習檢測，而匹配時，不再簡單的用位置匹配，而是用該object的深度特征進行匹配，這樣用的原因當然有多種，一種是比位置更加魯棒，隔了多幀，位置已經跑遠了，可能也沒關系的，再者這種特征匹配能更好地處理遮擋的問題，至少比位置匹配更能處理遮擋問題。當然跟蹤還是用kalman濾波做一下平滑處理，哈哈，其實我以前做多目標跟蹤時不用kalman，直接匹配上了就是了，不做預測不做平滑啥的。

其中檢測，目前不少都用的是靜態圖像的檢測機制，但是我覺得下一波應該就是基於視頻的目標檢測吧，當然工作已經有不少了，可以去imagenet競賽官網去看看做的比較好的那幾家看看，基本代表了先進性吧。

而深度特征，目前更多的是用行人重識別的思路進行模型訓練的，我本來是想用以前做人臉比對的模型simese loss訓練網絡的，因為之前最開始用這個網絡訓練人臉比對的工作時，我找的代碼，訓練效果還挺好的，後來借用到汽車的特征，效果也提升很多。但是看了一下，大家都用triplet loss來做，我也想用這個來試試。說實話，triplet loss不好訓練。找了好幾份代碼，都不好訓練，後來github上找了一個別人有實現結果的代碼，我就改變了一下輸入還是不行，下降不了，後來改了一下輸入大小，可以下降了，但是也不穩定，不能保證每次都下降。

聽同事說，他之前訓練車的triplet loss，就訓練不下來。其實說實話，計算機還是沒有那麽高級，或者說算法還是不適合去處理這種具有模糊邏輯的事情，你讓他看同一類，還看不同類，還看距離多大，同時做，大概也和人一樣，有時候會糊塗吧。

triplet loss