学习用于视觉跟踪的时空正则相关滤波器
计算机视觉与模式识别
2018-03-26 v1
摘要
判别相关滤波器（DCF）在视觉跟踪中非常有效，但会受到不期望的边界效应的影响。空间正则 DCF（SRDCF）被提出通过在 DCF 系数上施加空间惩罚来解决此问题，这不可避免地以增加复杂度为代价提升了跟踪性能。为了处理在线更新，SRDCF 在多幅训练图像上构建其模型，进一步增加了提升效率的难度。在本工作中，通过在单样本 SRDCF 中引入时间正则化，我们提出了我们的时空正则相关滤波器（STRCF）。受在线被动攻击（PA）算法的启发，我们在单样本 SRDCF 中引入时间正则化，从而得到我们的时空正则相关滤波器（STRCF）。STRCF 的公式化不仅可以作为多训练样本 SRDCF 的合理近似，而且在目标外观发生大变化时提供比 SRDCF 更鲁棒的外观模型。此外，它可以通过乘子交替方向法（ADMM）高效求解。通过结合时间和空间正则化，我们的 STRCF 能够在不显著损失效率的情况下处理边界效应，并在准确率和速度上取得优于 SRDCF 的性能。实验在三个基准数据集上进行：OTB-2015、Temple-Color 和 VOT-2016。与 SRDCF 相比，采用手工特征的 STRCF 实现了 5 倍的加速，并在 OTB-2015 和 Temple-Color 上分别获得了 5.4% 和 3.6% 的 AUC 分数提升。此外，结合 CNN 特征的 STRCF 也表现出优于 SOTA 的基于 CNN 的跟踪器的性能，并在 OTB-2015 上实现了 68.3% 的 AUC 分数。
引用
@article{arxiv.1803.08679,
title = {Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking},
author = {Feng Li and Cheng Tian and Wangmeng Zuo and Lei Zhang and Ming-Hsuan Yang},
journal= {arXiv preprint arXiv:1803.08679},
year = {2018}
}
备注
Accepted at CVPR 2018