面向检测与跟踪的专用化、泛化与压缩平衡方法
计算机视觉与模式识别
2019-09-26 v1 机器学习
摘要
我们提出一种将深度检测器与跟踪器专门化到受限场景的方法。我们的方法设计考虑了以下目标：(a) 提升在受限域中的精度；(b) 防止对新域的过拟合以及对泛化能力的遗忘；(c) 激进的模型压缩与加速。为此，我们提出一种新颖的损失函数，用以平衡深度学习模型的压缩与加速同泛化能力损失之间的权衡。我们将该方法应用于已有的跟踪器与检测器模型。我们在 VIRAT 和 CAVIAR 数据集上报告检测结果。这些结果表明我们的方法在提供前所未有的压缩率的同时改善了检测效果。我们将我们的损失用于测试时对跟踪器进行压缩，因其逐视频处理。我们在 OTB2015 基准上的测试表明，在测试时施加压缩实际上提升了跟踪性能。
引用
@article{arxiv.1909.11348,
title = {Balancing Specialization, Generalization, and Compression for Detection and Tracking},
author = {Dotan Kaufman and Koby Bibas and Eran Borenstein and Michael Chertok and Tal Hassner},
journal= {arXiv preprint arXiv:1909.11348},
year = {2019}
}
备注
Accepted to BMVC 2019