面向鲁棒视觉目标跟踪的联合组特征选择与判别滤波器学习
计算机视觉与模式识别
2019-08-05 v2
摘要
我们提出一种基于判别相关滤波器（GFS-DCF）的组特征选择新方法用于视觉目标跟踪。所提方法的关键创新在于跨通道与空间维度执行组特征选择，从而精确定位多通道特征与滤波系统的结构相关性。与广泛使用的空间正则化或特征选择方法不同，据我们所知，这是首次将通道选择引入基于DCF的跟踪。我们证明，我们的GFS-DCF方法能够显著提升配备深度神经网络特征的DCF跟踪器的性能。此外，我们的GFS-DCF实现了特征选择与滤波器学习的联合，增强了所学滤波器的判别力与可解释性。为进一步提升性能，我们通过约束滤波器在时间帧间平滑，利用高效的低秩近似自适应地整合历史信息。通过设计，特定的时空通道配置在跟踪过程中动态学习，突出相关特征，减轻判别力较弱的表示对性能退化的影响并降低信息冗余。在OTB2013、OTB2015、VOT2017、VOT2018和TrackingNet上获得的实验结果证明了我们GFS-DCF的优点及其相对于最先进跟踪器的优越性。代码公开于https://github.com/XU-TIANYANG/GFS-DCF。
引用
@article{arxiv.1907.13242,
title = {Joint Group Feature Selection and Discriminative Filter Learning for Robust Visual Object Tracking},
author = {Tianyang Xu and Zhen-Hua Feng and Xiao-Jun Wu and Josef Kittler},
journal= {arXiv preprint arXiv:1907.13242},
year = {2019}
}