基于相关滤波跟踪的联合表示与截断推断学习
计算机视觉与模式识别
2018-07-31 v1
摘要
基于相关滤波（CF）的跟踪器通常包含两个模块，即特征表示与在线模型自适应。在现有的面向 CF 跟踪器的离线深度学习模型中，模型自适应通常被舍弃或具有闭式解，以使端到端学习深度表示可行。然而，此类方案未能利用 CF 模型的进展，且相较于最先进的 CF 跟踪器无法取得有竞争力的精度。本文研究深度表示与模型自适应的联合学习，其中引入更新网络，以当前帧表示、跟踪结果和上一 CF 跟踪器为输入，在未来帧上实现更好跟踪。通过将表示器建模为卷积神经网络（CNN），我们截断交替方向乘子法（ADMM）并将其解释为一个更新器深度网络，从而得到我们的表示与截断推断学习模型（RTINet）。实验表明，我们的 RTINet 跟踪器相对于最先进跟踪器取得了良好的跟踪精度，其快速版本可以 24 fps 的实时速度运行。代码与预训练模型将公开于 https://github.com/tourmaline612/RTINet。
引用
@article{arxiv.1807.11071,
title = {Joint Representation and Truncated Inference Learning for Correlation Filter based Tracking},
author = {Yingjie Yao and Xiaohe Wu and Lei Zhang and Shiguang Shan and Wangmeng Zuo},
journal= {arXiv preprint arXiv:1807.11071},
year = {2018}
}
备注
16 pages, 3 figures, ECCV