基于互信息最大化的解耦表示学习用于实时无人机跟踪
计算机视觉与模式识别
2023-08-22 v1 人工智能
摘要
由于计算资源、电池容量与无人机最大载荷的限制，效率一直是无人机跟踪中的关键问题。尽管基于判别相关滤波（DCF）的跟踪器因其良好效率在该领域盛行，但一些近期提出的采用模型压缩的轻量深度学习（DL）跟踪器也展示了相当出色的 CPU 效率与精度。遗憾的是，这些工作所用的模型压缩方法虽简单，仍无法在更高压缩率下取得令人满意的跟踪精度。本文旨在利用带互信息最大化的解耦表示学习（DR-MIM）进一步提升基于 DL 的跟踪器在无人机跟踪中的精度与效率。所提解耦表示将特征分离为身份相关与身份无关特征，仅使用后者，从而增强特征表示对后续分类与回归任务的有效性。在 UAV123@10fps、DTB70、UAVDT 与 VisDrone2018 四个无人机基准上的大量实验表明，我们的 DR-MIM 跟踪器显著优于最先进的无人机跟踪方法。
引用
@article{arxiv.2308.10262,
title = {Learning Disentangled Representation with Mutual Information Maximization for Real-Time UAV Tracking},
author = {Xucheng Wang and Xiangyang Yang and Hengzhou Ye and Shuiwang Li},
journal= {arXiv preprint arXiv:2308.10262},
year = {2023}
}