面向视觉跟踪的高效版本空间约简

判别性跟踪器采用分类方法将目标与背景分离。为应对目标形状和外观的变化，分类器利用目标和背景的不同样本进行在线更新。样本选择、标注和更新分类器易于出现各种误差源，从而导致跟踪器漂移。我们引入一种高效的版本空间收缩策略，通过度量跟踪器关于样本的不确定性来减少标注错误并改进其采样策略。所提出的跟踪器利用一个分类器集成来表示关于目标的不同假设，使用 boosting 使它们多样化，以提供更广泛且更一致的版本空间覆盖，并调整分类器在投票中的权重。所提出的系统通过促进短记忆集成与长记忆预言机的协同训练来调整模型更新率。所提出的跟踪器在不同承载各种跟踪挑战的序列上优于最先进的跟踪器。