基于变化检测的动态模板选择用于自适应孪生网络跟踪
计算机视觉与模式识别
2022-03-08 v1
摘要
深度孪生网络跟踪器近年来备受关注，因为它们能够以高速度跟踪视觉对象。此外，采用跟踪器收集的目标样本进行在线学习的自适应跟踪方法已取得了最先进的精度。然而，由于目标对象外观的变化与形变，单目标跟踪（SOT）在真实应用场景中仍是一项具有挑战性的任务。对所有收集样本进行学习可能导致灾难性遗忘，从而破坏跟踪模型。本文将SOT表述为一个在线增量学习问题。提出了一种用于动态样本选择与记忆重放的新方法，以防止模板损坏。具体而言，我们提出了一种变化检测机制来检测对象外观的渐变并选择相应样本用于在线自适应。此外，引入了一种基于熵的样本选择策略来维护一个多样化的辅助缓冲区以进行记忆重放。我们提出的方法可集成到任何利用在线学习进行模型自适应的目标跟踪算法中。在OTB-100、LaSOT、UAV123和TrackingNet数据集上进行的广泛实验凸显了我们方法的成本效益及其关键组件的贡献。结果表明，将我们提出的方法集成到最先进的自适应孪生网络跟踪器中能够增加模板更新策略的潜在收益，并显著提升性能。
引用
@article{arxiv.2203.03181,
title = {Dynamic Template Selection Through Change Detection for Adaptive Siamese Tracking},
author = {Madhu Kiran and Le Thanh Nguyen-Meidine and Rajat Sahay and Rafael Menelau Oliveira E Cruz and Louis-Antoine Blais-Morin and Eric Granger},
journal= {arXiv preprint arXiv:2203.03181},
year = {2022}
}