我的RD正在讀碩士班，當然有書報討論課，要閱讀與報告一些與自己預設研究題目相關的論文。我推她去讀碩士本來就有「滲透校園」偷學新知的意圖，所以也會關切她選擇報告的論文內容。稍微瀏覽之後就覺得頭昏腦脹，一大堆沒看過的縮寫名詞，大多來自CNN與DL等等所謂的AI新領域，但是再看了幾篇其他候選論文，似乎也只有這一篇比較合乎她將研究的主題，只能硬著頭皮K下去了！

剛剛趁著清晨腦筋清楚大致看完前段摘要介紹的部分，算是摸著頭緒了！我和RD是在沒讀過這些論文之前就自行摸索，做過不少多目標追蹤的研究了！學術理論雖然閱讀不多，但實務資料是看得很多了！所以我一開始就相信這些專家學者能玩的資料，也一定就是這些我們熟知的東西，他們的方法論會建立的動機與方向，一定也不會超出我們這幾年玩資料時想像過的事情。

果真如此！這篇論文的重點就很像我們在人群中想追蹤一個特定的人，他穿著一件紅藍花的襯衫，但是人好多，常常他會被其他人或東西遮住，甚至跟另一個人一起移動看起來變成同一個「東西」等等。簡單一點的追蹤概念是盯著那件襯衫，建立一個目標特徵，包括顏色大小等等。一個一個影格分析鎖定他的特徵，抓到他的位置就連連看建立出他的移動軌跡。

有過實作經驗的人就知道，過於簡單的邏輯在人潮洶湧時一定會崩潰，所以這些學者論文的目的都是盡量用數學實現一些我們人的經驗感覺，增加各種參考的資訊，尤其是「整合」的資訊，讓多目標追蹤可以更穩定合理一點。目的是如此，作法當然就是各顯神通了！看看介紹中提到的相關論文研究，就知道有大約一半是我們無師自通時就嘗試過的！

此論文重點用白話文做個比喻形容，就是當我們在人潮中用監視器追蹤花襯衫男子的時候，很難持續看到完整的他，他可能與其他人交會、重疊被遮住一部分或一段時間，但是我們預期他不會憑空消失，就應該記住他的特徵，也要評估他和其他目標交疊時的可能特徵變化，持續觀看整個畫面有沒有這個(或這些)特徵出現，如果稍後發現這個特徵重現了，搭配其他的目標追蹤條件，就可以延續剛剛被中斷的追蹤了！

所以這些滿口CNN與DL的影像辨識專家，腦袋裡想的事情還是跟我差不多的！絕對不會像那些AI吹牛大師說的這麼神奇浪漫，好像用特定的數學就一定可以自動解決問題了？重點不是使用的方法，而是為什要用？以及怎麼用？他們這些嚴肅的AI影像辨識學者，也跟我一樣，天天傷腦筋要如何分析掌握物理特徵與實現人的觀察思考方式的！只是他們傾向用比較抽象，含有機率統計成分的數學模式去解題罷了！我和RD繼續學習他們的技術，過兩年或許就會更厲害了！