训练集的自适应去污染：判别式视觉跟踪的统一公式
计算机视觉与模式识别
2016-09-21 v1
摘要
近年来，检测跟踪方法已展现出具有竞争力的性能。在这些方法中，跟踪模型严重依赖于训练集的质量。由于标记训练数据数量有限，需要由跟踪器自身提取并标记额外样本。这往往会导致因遮挡、错位和其他扰动而引入受损的训练样本。现有的检测跟踪方法要么忽略这一问题，要么采用单独的组件来管理训练集。我们提出了一种新颖的通用方法，以缓解检测跟踪框架中训练样本受损的问题。我们的方法通过估计样本质量来动态管理训练集。与现有方法不同，我们提出了一种统一公式，通过对目标外观模型和样本质量权重最小化单一损失来实现。这种联合公式使得受损样本的权重降低，同时增加了正确样本的影响。我们在三个基准数据集上进行了实验：包含 100 个视频的 OTB-2015、包含 60 个视频的 VOT-2015 以及包含 128 个视频的 Temple-Color。在 OTB-2015 上，我们的统一公式显著改进了基线，平均重叠精度提高了 3.8%。最后，我们的方法在所有三个数据集上均达到了最先进的结果。代码和补充材料可在 http://www.cvl.isy.liu.se/research/objrec/visualtracking/decontrack/index.html 获取。
引用
@article{arxiv.1609.06118,
title = {Adaptive Decontamination of the Training Set: A Unified Formulation for Discriminative Visual Tracking},
author = {Martin Danelljan and Gustav Häger and Fahad Shahbaz Khan and Michael Felsberg},
journal= {arXiv preprint arXiv:1609.06118},
year = {2016}
}
备注
CVPR 2016