CyLKs：用于关键点跟踪的无监督循环 Lucas-Kanade 网络
计算机视觉与模式识别
2019-05-22 v4
摘要
在多数现代基于学习的跟踪系统中，需昂贵标注才能达到最先进性能。相比之下，Lucas-Kanade（LK）算法无需任何标注即可良好工作。然而，LK 对图像强度的光度（亮度）一致性有强假设，且易因大运动、遮挡与孔径问题而漂移。为放宽该假设并缓解漂移问题，我们提出 CyLKs，一种以无监督方式训练 Lucas-Kanade 的数据驱动方法。CyLKs 通过 CNN 学习特征变换，将输入图像转换至特别利于 LK 跟踪的特征空间。训练期间，我们在卷积特征图上执行可微分的 Lucas-Kanade 前向与反向，随后最小化重投影误差。测试期间，我们在所学特征上执行 LK 跟踪。我们将模型应用于关键点跟踪任务，并在 THUMOS 与 300VW 数据集上开展实验。
引用
@article{arxiv.1811.11325,
title = {CyLKs: Unsupervised Cycle Lucas-Kanade Network for Landmark Tracking},
author = {Xinshuo Weng and Wentao Han},
journal= {arXiv preprint arXiv:1811.11325},
year = {2019}
}