用于视觉跟踪的良好相关特征
计算机视觉与模式识别
2018-03-13 v2
摘要
近年来，相关滤波器在视觉目标跟踪中展现出主导性和显著的效果。这类跟踪器所使用的特征类型显著影响视觉跟踪的性能。最终目标是利用对目标任何外观变化都保持鲁棒的稳健特征，同时像无外观变化时一样准确地预测目标位置。随着基于深度学习的方法的出现，针对特定任务学习特征的研究得到了加速。例如，基于深度架构的判别式视觉跟踪方法已展现出有前景的性能。然而，基于相关滤波器（CFB）的跟踪器局限于使用为物体分类问题预训练的网络。为此，本文提出了为CFB视觉跟踪学习深度全卷积特征的问题。为了学习所提出的模型，基于网络的损失函数提出了一种新颖且高效的反向传播算法。所提出的学习框架使网络模型能够灵活地进行定制设计。此外，它减轻了对为分类训练的网络依赖。广泛的性能分析表明了所提出的定制设计在CFB跟踪框架中的有效性。通过微调最先进网络的卷积部分，并将该模型集成到CFB跟踪器（即VOT2016中表现最佳的跟踪器）中，期望平均重叠率提高了18%，跟踪失败率降低了25%，同时在OTB-2013和OTB-2015跟踪数据集上保持了相对于最先进方法的优越性。
引用
@article{arxiv.1704.06326,
title = {Good Features to Correlate for Visual Tracking},
author = {Erhan Gundogdu and A. Aydin Alatan},
journal= {arXiv preprint arXiv:1704.06326},
year = {2018}
}
备注
Accepted version of IEEE Transactions on Image Processing