面向深度视觉跟踪的主动学习
计算机视觉与模式识别
2022-01-14 v2
摘要
近年来，卷积神经网络（CNNs）已成功应用于单目标跟踪任务。一般而言，训练深度 CNN 模型需要大量带标注的训练样本，且这些样本的数量与质量直接影响所训练模型的表征能力。然而，该方法在实践中受限，因为人工标注如此大量的训练样本耗时且极其昂贵。本文提出一种面向深度视觉跟踪的主动学习方法，其筛选并标注无标签样本以训练深度 CNNs 模型。在主动学习指导下，基于所训练深度 CNNs 模型的跟踪器可在降低标注成本的同时取得具有竞争力的跟踪性能。更具体地，为保障所选样本的多样性，我们提出一种基于多帧协作的主动学习方法，以筛选那些应当且需要被标注的训练样本。同时，考虑这些所选样本的代表性，我们采用基于平均最近邻距离的最近邻判别方法剔除孤立样本与低质量样本。因此，基于本方法所选出的训练样本子集仅需给定预算即可维持整个样本集的多样性与代表性。此外，我们采用 Tversky 损失改进跟踪器的边界框估计，从而确保跟踪器获得更精确的目标状态。大量实验结果证实，我们的基于主动学习的跟踪器（ALT）在七个最具挑战性的评测基准上，与最先进的跟踪器相比取得了具有竞争力的跟踪精度与速度。
引用
@article{arxiv.2110.13259,
title = {Active Learning for Deep Visual Tracking},
author = {Di Yuan and Xiaojun Chang and Yi Yang and Qiao Liu and Dehua Wang and Zhenyu He},
journal= {arXiv preprint arXiv:2110.13259},
year = {2022}
}
备注
12 pages