摘要：深度学习通过多层特征提取方式,可以将原始复杂数据自动表征为高级抽象特征,该模型具有很强的建模能力,普遍应用于图像识别语音识别、自然语言处理等高复杂问题中.但深度学习由于网络层数深、参数规模庞大,训练时常常会产生梯度消失、陷入局部最优解、过度拟合等现象.借鉴集成学习的思想,提出一个新颖的深度共享集成网络,该网络通过在深度学习各隐藏层引出多个独立输出层的联合训练的方式,在网络的各层注入梯度,从而对低层隐藏层进行梯度补给,从而降低深度学习中的梯度消失现象,并通过集成多输出层的方式使得整个网络拥有更强的泛化性能.

摘要：为适应长期跟踪的需求,提出一种基于特征补偿的单目标跟踪方法。通过分析现有算法的优缺点,使用低层特征的相关滤波模型完成简单场景的任务,以保证速度;使用高层语义特征的卷积神经网络模型完成复杂场景的任务,以提升精度和鲁棒性;引入一个简单的分类器,作为切换特征的标志,有选择的对模型的模版进行更新,降低累计误差。结合实例验证了算法的有效性,在保证较快速度的同时,精度和鲁棒性均有较高的提升。