大海捞针：基于检测与跟踪联合方法的 4K 视频微小飞行物体检测
计算机视觉与模式识别
2021-05-19 v1
摘要
在高分辨率视频中检测微小物体具有挑战性，因为视觉信息少且不可靠。具体而言，挑战包括物体分辨率极低、压缩导致的 MPEG 伪影，以及存在大量困难负样本的巨大搜索区域。由于外观不可靠及运动估计不可靠，跟踪同样困难。幸运的是，我们发现将这两项具挑战性的任务结合可带来互利。遵循该思路，本文提出一种称为循环相关网络（Recurrent Correlational Network）的神经网络模型，其中检测与跟踪通过单一、可训练且端到端的网络所学习的多帧表示联合执行。该框架利用卷积长短期记忆网络学习用于检测的有效外观变化，而所学表示在跟踪中共享以提升其性能。在包含小鸟与无人机等小飞行物体场景图像的数据集实验中，相较深度单帧检测器和现有基于运动的检测器，所提方法在检测性能上取得了一致提升。此外，当在鸟类图像数据集上作为跟踪器评估时，我们的网络表现与最先进的通用物体跟踪器相当。
引用
@article{arxiv.2105.08253,
title = {Finding a Needle in a Haystack: Tiny Flying Object Detection in 4K Videos using a Joint Detection-and-Tracking Approach},
author = {Ryota Yoshihashi and Rei Kawakami and Shaodi You and Tu Tuan Trinh and Makoto Iida and Takeshi Naemura},
journal= {arXiv preprint arXiv:2105.08253},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:1709.04666