一、基于改进SNIPER采样策略的多尺度车辆目标检测

• SNIPEP 采样策略

1.1 获取正chips

• 针对 SNIPEP 获取 正chips 时金字塔尺度固定的问题，本文提出了自适应金字塔尺度的采样策略，该策略的思想是通过**均值漂移聚类算法（Mean shift）**对训练图片上Ground Truth聚类，根据聚类的结果动态设置图像金字塔尺度。主要是因为均值偏移聚类算法不需要给定类别数量，满足获取正chips时样本图像上Ground Truth个数未知，聚类后的类别数也未知的特点。
• Mean shift 聚类算法
• 正chips的获取方法

1.2 获取负chips

• Singh B将RPN网络应用于SNIPER采样策略中，通过训练一个弱的RPN网络获得模型训练所需的负chips，这种做法一方面提高了模型的训练成本，另一方面无法为Faster RCNN模型提供真正所需的负chips。因此本文提出了复用RPN网络的解决方案，用Faster RCNN的RPN网络取代原先的弱RPN网络，根据该网络的检测的候选框，获取用于模型训练的负chips。
• 负chips的获取方法

1.3 提出的多尺度车辆目标检测方法

• 具体流程

二、基于多特征融合的车辆目标匹配

2.1 运动特征匹配

• 状态估计
• 运动特征相似性度量

2.2 表观特征匹配

• 本文将设计深度卷积网络，实现跟踪目标的表观特征获取，用于实现目标和轨迹之间的匹配。但是在设计卷积神经网络时，需要考虑一个问题：如何使网络提取的特征具有类内区分性，即提取的同一轨迹的车辆目标特征相近，而相同视频帧上不同轨迹车辆目标特征不相似。深度学习中的孪生网络能很好地解决上述问题。