实例显著性引导的多实例提升用于鲁棒视觉跟踪
计算机视觉与模式识别
2020-03-18 v5
摘要
多实例学习（MIL）最近为缓解视觉跟踪中的漂移问题提供了一种有吸引力的方法。遵循检测式跟踪框架，一种在线 MILBoost 方法被开发出来，通过最大化包似然度来顺序选择弱分类器。在本文中，我们将这一思想扩展，把实例显著性估计纳入在线 MILBoost 框架。首先，不再同等对待所有实例，而是为每个实例关联一个显著性系数，代表其对包似然度的贡献。这些系数通过一个简单的贝叶斯公式进行估计，该公式联合考虑了几个标准 MILBoost 分类器的预测结果。接下来，我们遵循在线提升框架，提出了一种新的弱分类器选择标准。在具有挑战性的公共数据集上的实验表明，所提出的方法优于现有的基于 MIL 和基于提升的跟踪器。
引用
@article{arxiv.1501.04378,
title = {Instance Significance Guided Multiple Instance Boosting for Robust Visual Tracking},
author = {Jinwu Liu and Yao Lu and Tianfei Zhou},
journal= {arXiv preprint arXiv:1501.04378},
year = {2020}
}