用于高效视觉跟踪的深度自适应计算策略
计算机视觉与模式识别
2018-01-03 v1
摘要
当前用于视频目标跟踪的卷积神经网络算法对每个目标和每视频帧耗费相同的计算量。然而，由于杂波、场景复杂度、运动量和目标相对于背景显著性的变化，在某些帧中跟踪目标比在其他帧中更困难。我们提出一种深度自适应卷积孪生网络，该网络在多个神经网络深度上自适应地执行视频跟踪。训练参数化门控函数，通过最小化计算成本与跟踪误差的联合损失来控制卷积特征提取器的深度。我们的网络在VOT2016基准上取得了与最先进方法相当的精度。此外，对于给定的计算成本，我们的自适应深度计算比传统固定结构神经网络实现了更高的精度。所提出的框架可扩展至其他使用卷积神经网络的任务，并能在运行时权衡速度与精度。
引用
@article{arxiv.1801.00508,
title = {Depth-Adaptive Computational Policies for Efficient Visual Tracking},
author = {Chris Ying and Katerina Fragkiadaki},
journal= {arXiv preprint arXiv:1801.00508},
year = {2018}
}
备注
presented at EMMCVPR 2017 in Venice, Italy