全卷积在线跟踪
计算机视觉与模式识别
2021-09-28 v5
摘要
在线学习已被证明对提升跟踪性能有效。然而，它仅能简单地应用于分类分支，但由于回归分支的复杂设计以及对高质量在线样本的内在需求，适应回归分支仍具挑战性。为解决此问题，我们提出全卷积在线跟踪框架，称为 FCOT，并聚焦于通过使用基于目标滤波器的跟踪范式，使分类和回归分支均能进行在线学习。我们的关键贡献是引入在线回归模型生成器（RMG），利用在线样本初始化目标滤波器的权重，并基于第一帧的 groundtruth 样本优化该目标滤波器权重。基于在线 RGM，我们设计了一个简洁的无锚框跟踪器（FCOT），由特征骨干、上采样解码器、多尺度分类分支和多尺度回归分支组成。得益于 RMG 的独特设计，我们的 FCOT 不仅能更有效地处理沿时间维度的目标变化从而生成更精确的结果，还能克服跟踪过程中的误差累积问题。此外，由于其设计的简洁性，我们的 FCOT 可以以全卷积方式训练和部署，并具有实时运行速度。所提出的 FCOT 在七个基准上取得了最先进的性能，包括 VOT2018、LaSOT、TrackingNet、GOT-10k、OTB100、UAV123 和 NFS。我们的 FCOT 代码和模型已发布于：\url{https://github.com/MCG-NJU/FCOT}。
引用
@article{arxiv.2004.07109,
title = {Fully Convolutional Online Tracking},
author = {Yutao Cui and Cheng Jiang and Limin Wang and Gangshan Wu},
journal= {arXiv preprint arXiv:2004.07109},
year = {2021}
}
备注
We have re-formulated our online regression model generator. And the new results on the datasets are easily reproduced