基于轻量深度卷积神经网络的高效尺度估计视觉跟踪方法
计算机视觉与模式识别
2020-12-14 v2 机器学习
图像与视频处理
摘要
近年来，基于判别相关滤波器（DCF）的视觉跟踪方法极具前景。然而，这些方法大多缺乏鲁棒的尺度估计能力。尽管近期大量基于DCF的方法在其平移模型中利用了从深度卷积神经网络（CNN）提取的特征，视觉目标的尺度仍由手工特征估计。鉴于CNN的使用带来高计算负担，本文利用预训练的轻量CNN模型提出两种高效尺度估计方法，不仅提升了视觉跟踪性能，还提供了可接受的跟踪速度。所提方法基于卷积特征图的整体或区域表示进行构建，以有效融入DCF公式，在频域中学习鲁棒的尺度模型。此外，与传统尺度估计方法对不同目标区域进行迭代特征提取不同，所提方法采用所提的一次性特征提取过程，显著提升了计算效率。在OTB-50、OTB-100、TC-128和VOT-2018视觉跟踪数据集上的综合实验结果表明，所提视觉跟踪方法有效地优于最先进（SOTA）方法。
引用
@article{arxiv.2004.02933,
title = {Efficient Scale Estimation Methods using Lightweight Deep Convolutional Neural Networks for Visual Tracking},
author = {Seyed Mojtaba Marvasti-Zadeh and Hossein Ghanei-Yakhdan and Shohreh Kasaei},
journal= {arXiv preprint arXiv:2004.02933},
year = {2020}
}
备注
Accepted Manuscript in Neural Computing and Applications (NCAA), Springer