用于孪生视觉跟踪的判别性与鲁棒性在线学习
计算机视觉与模式识别
2019-11-22 v2
摘要
视觉目标跟踪问题传统上由不同的跟踪范式处理，要么完全在线学习目标外观模型，要么在离线训练的嵌入空间中将目标与模板进行匹配。尽管近期取得了成功，每种方法都受困于其内在约束。纯在线方法因其学习模型缺乏泛化能力而在目标回归方面表现较差，而纯离线方法（例如，卷积孪生跟踪器）缺乏目标特定的上下文信息，因此在处理干扰物时判别性不足，且对形变的鲁棒性不够。因此，我们为离线孪生网络提出了一个带有注意力机制的在线模块，以在 L2 误差下提取目标特定特征。我们进一步提出了一种适应危险背景噪声的滤波器更新策略用于判别性学习，以及一种处理大目标形变的模板更新策略用于鲁棒性学习。其有效性通过在三个孪生基线模型：SiamFC、SiamRPN++ 和 SiamMask 上的一致改进得到验证。除此之外，我们基于 SiamRPN++ 的模型在六个流行的跟踪基准上取得了最佳结果，并且能够以超实时速度运行。
引用
@article{arxiv.1909.02959,
title = {Discriminative and Robust Online Learning for Siamese Visual Tracking},
author = {Jinghao Zhou and Peng Wang and Haoyang Sun},
journal= {arXiv preprint arXiv:1909.02959},
year = {2019}
}