CHASE：基于单元级可微神经架构搜索的鲁棒视觉跟踪
计算机视觉与模式识别
2021-10-27 v2 人工智能
机器学习
摘要
当今强大的视觉目标跟踪器依赖于其精心设计的模块，这些模块通常由手动设计的网络架构组成以提供高质量的跟踪结果。毫不意外，手动设计过程成为尤其严峻的障碍，因为它需要充足的先验经验、巨大努力、直觉，或许还有些运气。与此同时，神经架构搜索作为一种解决可行网络结构自动搜索问题的有前景方法，已在实际应用中逐渐立足。本工作中，我们提出一种带早停机制的新型单元级可微架构搜索机制，以自动化跟踪模块的网络设计，旨在离线训练期间使骨干特征适应 Siamese 跟踪网络的目标。此外，所提早停策略避免了过拟合与性能崩溃问题，从而提升泛化能力。该方法简单、高效，且无需堆叠一系列模块来构建网络。我们的方法易于集成到现有跟踪器中，并通过不同的基于可微架构搜索的方法与跟踪目标进行了实证验证。大量实验评估证明了我们的方法在五个常用基准上优于对比方法。
引用
@article{arxiv.2107.03463,
title = {CHASE: Robust Visual Tracking via Cell-Level Differentiable Neural Architecture Search},
author = {Seyed Mojtaba Marvasti-Zadeh and Javad Khaghani and Li Cheng and Hossein Ghanei-Yakhdan and Shohreh Kasaei},
journal= {arXiv preprint arXiv:2107.03463},
year = {2021}
}
备注
The first two authors contributed equally to this work. Accepted manuscript in BMVC 2021