基于递归神经网络学习层次特征用于视觉目标跟踪
计算机视觉与模式识别
2018-01-09 v1
摘要
近来，深度学习在视觉目标跟踪中取得了极具前景的结果。现有跟踪方法中的深度神经网络需要大量训练数据以学习众多参数。然而，视觉目标跟踪的训练数据并不充足，因为目标对象的标注仅在测试序列的首帧可用。本文提出利用基于树结构的递归神经网络（RNN）学习层次特征用于视觉目标跟踪，其参数少于其他深度神经网络，例如卷积神经网络（CNN）。首先，我们在测试序列首帧中学习 RNN 参数以区分目标对象与背景。样本区域局部块上的树结构通过使用自底向上的贪心搜索策略随机生成。给定学习到的 RNN 参数，我们基于多棵随机树的顶层与叶节点所学层次特征，构建关于目标区域及相应局部块的两部字典。在后续每一帧中，我们对所有候选进行稀疏字典编码以选取最佳候选作为新目标位置。此外，我们在线更新两部字典以应对目标对象的外观变化。实验结果表明，我们的特征学习算法能显著提升在基准数据集上的跟踪性能。
引用
@article{arxiv.1801.02021,
title = {Learning Hierarchical Features for Visual Object Tracking with Recursive Neural Networks},
author = {Li Wang and Ting Liu and Bing Wang and Xulei Yang and Gang Wang},
journal= {arXiv preprint arXiv:1801.02021},
year = {2018}
}