自适应利用预训练深度卷积神经网络实现鲁棒视觉跟踪
计算机视觉与模式识别
2020-12-23 v2 人工智能
摘要
由于通过多层非线性变换的自动特征提取过程，基于深度学习的视觉跟踪器近期在具有挑战性的视觉跟踪场景中取得了巨大成功。尽管许多此类跟踪器利用了预训练卷积神经网络（CNNs）的特征图，但选择不同模型及利用其各种特征图组合的效果仍未被充分比较。据我们所知，所有这些方法都使用固定数量的卷积特征图，而未考虑跟踪过程中可能出现的场景属性（如遮挡、形变和快速运动）。作为前提，本文提出基于可挖掘不同拓扑结构 CNN 模型的自适应判别相关滤波（DCF）方法。首先，论文对四种常用 CNN 模型进行全面分析以确定各模型的最佳特征图。其次，借助分析结果作为属性字典，提出深度特征的自适应利用，以针对视频特性提升视觉跟踪器的精度与鲁棒性。第三，所提方法的泛化能力在各种跟踪数据集及具有相似架构的 CNN 模型上得到验证。最后，大量实验结果表明，与最先进的视觉跟踪方法相比，所提自适应方法有效。
引用
@article{arxiv.2008.13015,
title = {Adaptive Exploitation of Pre-trained Deep Convolutional Neural Networks for Robust Visual Tracking},
author = {Seyed Mojtaba Marvasti-Zadeh and Hossein Ghanei-Yakhdan and Shohreh Kasaei},
journal= {arXiv preprint arXiv:2008.13015},
year = {2020}
}
备注
Accepted Manuscript in Multimedia Tools and Applications (MTAP), Springer