学习异常抑制相关滤波器用于实时无人机跟踪
计算机视觉与模式识别
2019-08-08 v2
摘要
判别相关滤波器（DCF）的传统框架常受不期望的边界效应影响。过去数年已提出若干扩大搜索区域的方法以弥补此缺陷。然而，过多的背景信息也引入了更多背景噪声，判别滤波器易于从环境中而非目标本身学习。这种情况，加之由完全/部分遮挡、光照变化及其他原因引起的目标表观变化，使得检测过程中更可能出现异常，从而大幅降低其结果的可信度。因此，本工作提出一种抑制检测过程中异常发生的新方法，即异常抑制相关滤波器（ARCF）。通过对检测阶段生成的响应图变化率施加限制，ARCF 跟踪器能明显抑制异常，从而更鲁棒且准确地跟踪目标。我们在不同无人机数据集上进行了大量实验以从空中视角执行目标跟踪，即 UAV123、UAVDT 与 DTB70，包含 243 段挑战性图像序列、超过 90K 帧，以验证 ARCF 跟踪器性能，并已证明其在基于 DCF 与深度框架的 20 种最先进（SOTA）跟踪器中表现更优，且具备足以实时应用的速度。
引用
@article{arxiv.1908.02231,
title = {Learning Aberrance Repressed Correlation Filters for Real-Time UAV Tracking},
author = {Ziyuan Huang and Changhong Fu and Yiming Li and Fuling Lin and Peng Lu},
journal= {arXiv preprint arXiv:1908.02231},
year = {2019}
}
备注
iccv 2019 accepted, 10 pages, 8 figures