基于统一卷积网络的高性能视觉目标跟踪
机器人学
2019-08-27 v1 计算机视觉与模式识别
图像与视频处理
摘要
基于卷积神经网络（CNN）的跟踪方法在近期基准测试中展现出良好性能。然而，所选 CNN 特征总在不同任务上预训练，且跟踪系统中各组件分开学习，故所得跟踪性能可能非最优。此外，由于耗时的特征提取与复杂优化细节，多数此类跟踪器并非为实时应用设计。本文提出一种端到端框架，同时学习卷积特征并执行跟踪过程，即统一卷积跟踪器（UCT）。具体而言，UCT 将特征提取与跟踪过程均视为卷积操作并联合训练，使所学 CNN 特征与跟踪过程紧密耦合。在线跟踪期间，通过引入峰噪比（PNR）准则提出高效模型更新方法，并通过在网络中融入尺度分支高效处理尺度变化。实验在四个具挑战性跟踪数据集 OTB2013、OTB2015、VOT2015 与 VOT2016 上进行。我们的方法在这些基准上取得领先性能，同时保持超越实时的速度。
引用
@article{arxiv.1908.09445,
title = {High Performance Visual Object Tracking with Unified Convolutional Networks},
author = {Zheng Zhu and Wei Zou and Guan Huang and Dalong Du and Chang Huang},
journal= {arXiv preprint arXiv:1908.09445},
year = {2019}
}
备注
Extended version of [arXiv:1711.04661] our UCT tracker in ICCV VOT2017