超越相关滤波：面向视觉跟踪的连续卷积算子学习
计算机视觉与模式识别
2016-09-21 v2
摘要
判别相关滤波(DCF)已展现出优异的视觉目标跟踪性能。其成功的关键在于通过包含训练样本的所有移位版本来有效利用可用的负数据。然而，底层的DCF公式局限于单分辨率特征图，显著限制了其潜力。本文中，我们超越传统DCF框架，引入一种训练连续卷积滤波器的新型公式。我们采用隐式插值模型将学习问题置于连续空间域中。我们提出的公式能够高效整合多分辨率深度特征图，从而在三个目标跟踪基准上取得优越结果：OTB-2015(平均OP提升5.1%)、Temple-Color(平均OP提升4.6%)和VOT2015(失败率相对降低20%)。此外，我们的方法能够进行亚像素定位，这对精确特征点跟踪任务至关重要。我们还在广泛的特征点跟踪实验中证明了我们学习公式的有效性。代码与补充材料可见于 http://www.cvl.isy.liu.se/research/objrec/visualtracking/conttrack/index.html。
引用
@article{arxiv.1608.03773,
title = {Beyond Correlation Filters: Learning Continuous Convolution Operators for Visual Tracking},
author = {Martin Danelljan and Andreas Robinson and Fahad Shahbaz Khan and Michael Felsberg},
journal= {arXiv preprint arXiv:1608.03773},
year = {2016}
}
备注
Accepted at ECCV 2016