DSNet：用于高效视觉跟踪的深浅特征学习网络
计算机视觉与模式识别
2018-11-07 v1
摘要
近年来，基于判别相关滤波（Discriminative Correlation Filter, DCF）的跟踪方法在视觉跟踪中取得了巨大成功。然而，从图像分类等其他任务训练得到的多分辨率卷积特征图，无法自然地用于传统的DCF公式。此外，这些高维特征图显著增加了跟踪复杂度，从而限制了跟踪速度。本文提出一种深浅特征学习网络，即DSNet，以端到端离线方式学习用于高效在线跟踪的多层级同分辨率压缩（MSC）特征。具体而言，所提出的DSNet将多层级卷积特征压缩为均匀空间分辨率特征。所学得的MSC特征在同分辨率特征图中有效编码了物体的外观与语义信息，从而实现了MSC特征与任意基于DCF方法的优雅结合。此外，提出了一种通道可靠性度量（CRM）方法以进一步精炼所学MSC特征。我们在两种DCF跟踪框架上验证了所提DSNet学到的MSC特征的有效性：基础DCF框架与连续卷积算子框架。大量实验表明，所学MSC特征具有显著优势，可使装备的基于DCF的跟踪方法在高速运行的同时，优于最先进（state-of-the-art）的方法。
引用
@article{arxiv.1811.02208,
title = {DSNet: Deep and Shallow Feature Learning for Efficient Visual Tracking},
author = {Qiangqiang Wu and Yan Yan and Yanjie Liang and Yi Liu and Hanzi Wang},
journal= {arXiv preprint arXiv:1811.02208},
year = {2018}
}
备注
To appear at ACCV 2018. 14 pages, 8 figures