AFAT：用于鲁棒视觉目标跟踪的自适应失效感知跟踪器
计算机视觉与模式识别
2020-05-29 v1
摘要
孪生网络方法近期在视觉目标跟踪中取得了令人瞩目的性能。孪生跟踪器成功的关键在于通过大规模视频数据集上的成对离线训练学习外观不变特征嵌入函数。然而，孪生范式使用一次性学习来建模在线跟踪任务，阻碍了跟踪过程中的在线自适应。此外，在线跟踪响应的不确定性未被度量，导致忽略潜在失效的问题。本文倡导在跟踪阶段进行在线自适应。为此，我们提出一种失效感知系统，由决策阶段基于卷积与LSTM模块的质量预测网络（QPN）实现，可在线报告潜在跟踪失效。具体而言，收集先前连续帧与当前帧的序列响应图以预测跟踪置信度，实现决策级的时空融合。此外，我们将最先进孪生跟踪器与我们的系统结合，进一步给出自适应失效感知跟踪器（AFAT）。在标准基准数据集上的实验结果表明了所提失效感知系统的有效性以及AFAT跟踪器的优势，在精度与速度上均表现出色且均衡。
引用
@article{arxiv.2005.13708,
title = {AFAT: Adaptive Failure-Aware Tracker for Robust Visual Object Tracking},
author = {Tianyang Xu and Zhen-Hua Feng and Xiao-Jun Wu and Josef Kittler},
journal= {arXiv preprint arXiv:2005.13708},
year = {2020}
}