用于鲁棒视觉跟踪的幻象对抗学习
计算机视觉与模式识别
2019-06-18 v1
摘要
人类能够仅从一个样例轻松学习新概念，主要得益于其想象或幻象（hallucinate）未见样例在不同场景下可能外观的卓越能力。将这种幻象被跟踪实例的多样化新样本的能力引入跟踪器，可帮助缓解低数据跟踪体制下的过拟合问题。为此，我们提出一种有效的对抗方法，称为对抗“幻象器”（AH），用于鲁棒视觉跟踪。所提 AH 旨在首先学习同一身份实例对之间的可迁移非线性形变，然后将这些形变应用于未见跟踪实例以生成多样化的正训练样本。通过将 AH 融入在线跟踪-检测框架，我们提出了幻象对抗跟踪器（HAT），其以端到端方式联合优化 AH 与在线分类器（如 MDNet）。此外，提出一种新颖的选择性形变迁移（SDT）方法，以更好地选择更适合迁移的形变。在 3 个流行基准上的大量实验表明，我们的 HAT 达到了最先进的性能。
引用
@article{arxiv.1906.07008,
title = {Hallucinated Adversarial Learning for Robust Visual Tracking},
author = {Qiangqiang Wu and Zhihui Chen and Lin Cheng and Yan Yan and Bo Li and Hanzi Wang},
journal= {arXiv preprint arXiv:1906.07008},
year = {2019}
}
备注
Visual object tracking, data hallucination