面向视觉目标跟踪的抗干扰孪生网络
计算机视觉与模式识别
2018-08-21 v1
摘要
近来，孪生网络因其在精度与速度上的平衡而受到视觉跟踪领域的广泛关注。然而，大多数孪生跟踪方法中所用的特征仅能区分前景与非语义背景。语义背景常被视为干扰物，这阻碍了孪生跟踪器的鲁棒性。本文中，我们致力于学习抗干扰孪生网络以实现准确且长期的跟踪。为此，首先分析了传统孪生跟踪器中所用特征。我们观察到训练数据的不平衡分布使得所学特征判别力不足。在离线训练阶段，引入一种有效的采样策略来控制该分布，使模型聚焦于语义干扰物。在推理阶段，设计了一种新颖的抗干扰模块来进行增量学习，可有效将通用嵌入迁移至当前视频域。此外，我们通过引入一种简单而有效的局部到全局搜索区域策略，将所提方法扩展至长期跟踪。在基准上的大量实验表明，我们的方法显著优于当前最优方法，在 VOT2016 数据集上取得 9.6% 的相对提升，在 UAV20L 数据集上取得 35.9% 的相对提升。所提跟踪器在短期基准上可达 160 FPS，在长期基准上可达 110 FPS。
引用
@article{arxiv.1808.06048,
title = {Distractor-aware Siamese Networks for Visual Object Tracking},
author = {Zheng Zhu and Qiang Wang and Bo Li and Wei Wu and Junjie Yan and Weiming Hu},
journal= {arXiv preprint arXiv:1808.06048},
year = {2018}
}
备注
ECCV 2018, main paper and supplementary material