用于视觉跟踪的特征选择卷积神经网络
计算机视觉与模式识别
2018-11-22 v1
摘要
尽管相较于传统方法具有优异的跟踪精度，现有多数基于CNN(卷积神经网络)的跟踪方法因速度过慢而无法实时应用。此外，神经网络内存消耗大，会占用大量硬件资源。本文提出了一种结合基于CNN的MDNet(多域网络)与RoIAlign的特征选择视觉跟踪算法。我们发现卷积层特征图存在大量冗余，因此通过互信息选取有效特征图并舍弃其余部分，从而降低网络复杂度与计算量且不影响精度。MDNet的主要问题亦在于时间效率。考虑到其计算复杂度主要源于大量卷积操作及跟踪过程中的网络微调，我们加入RoIAlign层以在整个图像而非每个RoI上执行卷积从而加速卷积，并采用一种微调全连接层的新策略以加速更新。借助RoIAlign，计算速度得以提升，且精度优于RoIPool，因其可通过双线性插值处理浮点坐标。这些策略可加速处理、降低复杂度且对精度影响极小，能以约10 fps运行(而MDNet速度约为1 fps)。所提算法在基准OTB100上进行了评估，取得了高精度与高速度。
引用
@article{arxiv.1811.08564,
title = {Feature Selection Convolutional Neural Networks for Visual Tracking},
author = {Zhiyan Cui and Na Lu},
journal= {arXiv preprint arXiv:1811.08564},
year = {2018}
}
备注
arXiv admin note: substantial text overlap with arXiv:1807.03132