ECO：用于跟踪的高效卷积算子
计算机视觉与模式识别
2017-04-12 v2
摘要
近年来，基于判别相关滤波器 (DCF) 的方法显著推进了跟踪领域的 SOTA。然而，在追求不断提高跟踪性能的过程中，其标志性的速度和实时能力逐渐消退。此外，日益复杂的模型具有大量可训练参数，引入了严重过拟合的风险。在本工作中，我们解决了计算复杂性和过拟合问题背后的关键原因，旨在同时提高速度和性能。我们重新审视了核心 DCF 公式并引入：(i) 一个分解卷积算子，大幅减少了模型中的参数数量；(ii) 一个训练样本分布的紧凑生成模型，显著降低了内存和时间复杂度，同时提供了更好的样本多样性；(iii) 一种保守的模型更新策略，提高了鲁棒性并降低了复杂度。我们在四个基准上进行了全面实验：VOT2016、UAV123、OTB-2015 和 TempleColor。当使用计算开销大的深度特征时，我们的跟踪器实现了 20 倍加速，并且在 VOT2016 挑战赛中相较于排名第一的方法，在期望平均重叠率上获得了 13.0% 的相对提升。此外，我们使用手工特征的快速变体在单 CPU 上以 60 Hz 运行，同时在 OTB-2015 上获得了 65.0% 的 AUC。
引用
@article{arxiv.1611.09224,
title = {ECO: Efficient Convolution Operators for Tracking},
author = {Martin Danelljan and Goutam Bhat and Fahad Shahbaz Khan and Michael Felsberg},
journal= {arXiv preprint arXiv:1611.09224},
year = {2017}
}
备注
Accepted at CVPR 2017. Includes supplementary material