用于视觉目标跟踪的连续性-判别卷积神经网络
计算机视觉与模式识别
2021-04-20 v1
摘要
本文提出一种新颖的模型,称为连续性-判别卷积神经网络(CD-CNN),用于视觉目标跟踪。现有的 state-of-the-art 跟踪方法未处理视频序列中的时间关系,导致特征表示不完善。为解决此问题,CD-CNN 基于时间缓慢性思想对时间外观连续性进行建模。在数学上,我们证明,通过将时间外观连续性引入跟踪,目标外观表示误差的上界可以以高概率充分小。此外,为缓解不准确的目标定位与漂移,我们提出一个新概念,目标质心(object-centroid),用以刻画给定图像块中目标的对象性及其相对位置。时间外观连续性与目标质心在离线训练期间联合学习,随后迁移用于在线跟踪。我们在两个具有挑战性的基准上通过大量实验评估我们的跟踪器,并展示其与 state-of-the-art 跟踪器相比具有竞争力的跟踪性能。
引用
@article{arxiv.2104.08739,
title = {Continuity-Discrimination Convolutional Neural Network for Visual Object Tracking},
author = {Shen Li and Bingpeng Ma and Hong Chang and Shiguang Shan and Xilin Chen},
journal= {arXiv preprint arXiv:2104.08739},
year = {2021}
}
备注
Accepted to ICME2018