DeepTrack：在线学习判别性特征表示以实现鲁棒视觉跟踪
计算机视觉与模式识别
2016-05-04 v1
摘要
深度神经网络虽然在各种计算机视觉任务的特征学习中取得了巨大成功，但由于其需要极长的训练时间和大量的训练样本，通常被认为不适用于在线视觉跟踪。在本文中，我们提出了一种高效且非常鲁棒的跟踪算法，该算法使用单个卷积神经网络（CNN）以纯在线方式学习目标物体的有效特征表示。我们的贡献是多方面的：首先，我们引入了一种新颖的截断结构损失函数，该函数尽可能保留更多的训练样本，并降低了跟踪误差累积的风险。其次，我们通过一种鲁棒的样本选择机制增强了 CNN 训练中的普通随机梯度下降方法。该采样机制从不同的时间分布中随机生成正负样本，这些分布的生成考虑了时间关系和标签噪声。最后，为 CNN 训练设计了一种懒惰但有效的更新方案。配备这种新颖的更新算法后，CNN 模型能够鲁棒地应对视觉跟踪中长期存在的一些困难，如遮挡或错误检测，同时不失对显著外观变化的有效适应能力。在实验中，我们的 CNN 跟踪器在两个最近提出的基准测试上优于所有对比的最先进方法，这两个基准总共包含超过 60 个视频序列。与现有跟踪器相比显著的性能提升说明了所学习特征表示的优越性。
引用
@article{arxiv.1503.00072,
title = {DeepTrack: Learning Discriminative Feature Representations Online for Robust Visual Tracking},
author = {Hanxi Li and Yi Li and Fatih Porikli},
journal= {arXiv preprint arXiv:1503.00072},
year = {2016}
}
备注
12 pages