高效深度跟踪的通道蒸馏

深度跟踪器在视觉跟踪中已被证明取得了成功。通常，这些跟踪器使用优化的预训练深度网络代表所有多样化对象的多通道特征，这些特征来自一些固定层。所使用的深度网络通常被训练以从大规模数据中提取丰富的知识，用于对象分类，因此能够很好地代表各种通用对象。然而，这些网络过于复杂，难以代表特定的移动对象，导致泛化性差以及高计算和内存成本。这篇论文提出了一个新颖且通用的框架，称为通道蒸馏，以促进深度跟踪器的开发。为了验证通道蒸馏的有效性，我们以判别性相关滤波（DCF）和 ECO 为例。我们展示，一个集成的公式可以将特征压缩、响应图生成和模型更新转化为一个统一的能量最小化问题，以适当选择信息丰富的特征通道，从而提高跟踪移动对象的效果。在实时进行。通道蒸馏可以准确地提取良好的通道，减轻噪声通道的影响并通常减少通道的数量，同时对不同通道和网络进行自适应泛化。 resulting deep tracker accurate, fast, and has low memory requirements。 Extensive experimental evaluations on popular benchmarks clearly demonstrate the effectiveness and generalizability of our framework.