用于长时视觉跟踪的回归与验证网络学习
计算机视觉与模式识别
2018-11-20 v2
摘要
与短时跟踪相比，长时跟踪任务要求判定被跟踪目标存在或缺失，进而在存在时估计准确边界框，或在缺失时进行图像级重检测。尽管该任务更贴近实用跟踪系统的设计，迄今却鲜有尝试。在本工作中，我们提出一种基于深度回归与验证网络的新型长时跟踪框架。离线训练的回归模型利用目标感知特征融合与区域提议网络设计，以有效生成一系列候选并估计其相似度分数。验证网络评估这些候选，输出最优者作为被跟踪目标及其分类分数，该网络基于新近可靠观测在线更新以适应外观变化。相似度与分类分数被结合以获得最终置信值，基于此我们的跟踪器可准确判定目标缺失，并在其重现时成功进行图像级重检测以捕获目标。大量实验表明，我们的跟踪器在 VOT2018 长时挑战赛上取得最佳性能，并在 OxUvA 长时数据集上获得最先进结果。
引用
@article{arxiv.1809.04320,
title = {Learning regression and verification networks for long-term visual tracking},
author = {Yunhua Zhang and Dong Wang and Lijun Wang and Jinqing Qi and Huchuan Lu},
journal= {arXiv preprint arXiv:1809.04320},
year = {2018}
}
备注
9 pages