学习用于跟踪的判别性模型预测
计算机视觉与模式识别
2020-06-11 v2
摘要
当前面向端到端可训练计算机视觉系统的努力给视觉跟踪任务带来了重大挑战。与大多数其他视觉问题不同，跟踪需要在推理阶段在线学习一个鲁棒的特定目标外观模型。为了端到端可训练，目标模型的在线学习因此需要嵌入到跟踪架构本身之中。由于这些挑战，流行的孪生范式只是预测一个目标特征模板，而在推理过程中忽略了背景外观信息。因此，所预测的模型具有有限的目标-背景判别性。我们开发了一种端到端跟踪架构，能够充分利用目标和背景外观信息来进行目标模型预测。我们的架构源自一个判别性学习损失，通过设计一个专门的优化过程，能够在仅几次迭代中预测出一个强大的模型。此外，我们的方法能够学习判别性损失本身的关键方面。所提出的跟踪器在 6 个跟踪基准上设立了新的最先进水平，在 VOT2018 上取得了 0.440 的 EAO 分数，同时以超过 40 FPS 的速度运行。代码和模型可在 https://github.com/visionml/pytracking 获取。
引用
@article{arxiv.1904.07220,
title = {Learning Discriminative Model Prediction for Tracking},
author = {Goutam Bhat and Martin Danelljan and Luc Van Gool and Radu Timofte},
journal= {arXiv preprint arXiv:1904.07220},
year = {2020}
}