用于视觉跟踪的卷积回归
计算机视觉与模式识别
2016-11-16 v2
摘要
近来，判别学习相关滤波（DCF）在视觉目标跟踪领域引起广泛关注。DCF 的成功可能归因于以下事实：利用大量样本训练岭回归模型并预测目标位置。为高效求解回归问题，这些样本均由搜索块循环移位生成。然而，这些合成样本也引发了一些削弱基于 DCF 跟踪器鲁棒性的负面效应。本文中，我们提出一种用于视觉跟踪的卷积回归框架（CRT）。不同于以闭式解学习线性回归模型，我们尝试通过用梯度下降（GD）优化单通道输出卷积层来求解回归问题。特别地，卷积层的感受野尺寸被设为目标大小。与 DCF 相反，可以融入从整幅图像裁剪的所有“真实”样本。GD 方法的一个关键问题是大多数卷积样本为负样本，正样本的贡献将被抑制。为解决此问题，我们提出一种新颖的自动难负样本挖掘方法以剔除易负样本并增强正样本。我们在包含 100 个序列的广泛使用的基准上进行了大量实验。结果表明所提算法取得了优异性能，并优于几乎所有现有的基于 DCF 的算法。
引用
@article{arxiv.1611.04215,
title = {Convolutional Regression for Visual Tracking},
author = {Kai Chen and Wenbing Tao},
journal= {arXiv preprint arXiv:1611.04215},
year = {2016}
}