用于热红外目标跟踪的深度多级相似性学习
计算机视觉与模式识别
2019-06-11 v1
摘要
现有的深度热红外（TIR）跟踪器仅使用语义特征来描述 TIR 目标，缺乏处理干扰物所需的充分判别能力。当特征提取网络仅在 RGB 图像上训练时，这一问题更为严重。为解决该问题，我们在孪生框架下提出一种多级相似性模型以实现鲁棒 TIR 目标跟踪。具体而言，我们利用所提多级相似性网络在两个卷积层上计算不同的模式相似性。其中之一关注全局语义相似性，另一个计算 TIR 目标的局部结构相似性。这两种相似性互为补充，从而增强了网络处理干扰物的判别能力。此外，我们设计了一个简单而有效的基于相对熵的集成子网络来融合语义与结构相似性。该子网络可在训练阶段自适应学习语义与结构相似性的权重。为进一步增强跟踪器的判别能力，我们构建了首个大规模 TIR 视频序列数据集用于训练所提模型。该 TIR 数据集不仅有益于 TIR 跟踪的训练，也可应用于众多 TIR 视觉任务。在 VOT-TIR2015 和 VOT-TIR2017 基准上的大量实验结果表明，所提算法优于当前最优方法。
引用
@article{arxiv.1906.03568,
title = {Learning Deep Multi-Level Similarity for Thermal Infrared Object Tracking},
author = {Qiao Liu and Xin Li and Zhenyu He and Nana Fan and Di Yuan and Hongpeng Wang},
journal= {arXiv preprint arXiv:1906.03568},
year = {2019}
}
备注
18 pages