基于距离交并比损失进行精确边界框回归的视觉跟踪方法
计算机视觉与模式识别
2022-01-21 v4
摘要
大多数现有跟踪器基于分类器和多尺度估计来估计目标状态。因此，正如预期的那样，跟踪器变得更加稳定，而跟踪精度却停滞不前。虽然跟踪器采用基于交并比（IoU）损失的极大重叠方法来缓解此问题，但 IoU 损失本身存在缺陷，当给定边界框完全包含于另一边界框内或之外时，无法继续优化目标函数；这使得准确估计目标状态非常具有挑战性。为此，本文通过提出一种基于距离交并比（DIoU）损失的新型跟踪方法来解决上述问题，使得所提出的跟踪器由目标估计和目标分类组成。目标估计部分经训练以预测目标真实边界框与估计边界框之间的 DIoU 分数。DIoU 损失能在保持 IoU 损失优势的同时，最小化两个边界框中心点之间的距离，从而使目标估计更加准确。此外，我们引入一个在线训练并采用基于共轭梯度（Conjugate-Gradient）策略优化的分类部分，以保证实时跟踪速度。综合实验结果表明，与最先进（state-of-the-art）的跟踪器相比，所提方法在取得有竞争力的跟踪精度的同时具备实时跟踪速度。
引用
@article{arxiv.2007.01864,
title = {Accurate Bounding-box Regression with Distance-IoU Loss for Visual Tracking},
author = {Di Yuan and Xiu Shu and Nana Fan and Xiaojun Chang and Qiao Liu and Zhenyu He},
journal= {arXiv preprint arXiv:2007.01864},
year = {2022}
}