学习孪生跟踪器的模型更新
计算机视觉与模式识别
2019-09-09 v2
摘要
孪生方法通过从当前帧提取外观模板来解决视觉跟踪问题,该模板用于在下一帧中定位目标。通常,该模板与来自前一帧的累积模板线性组合,导致信息随时间呈指数衰减。虽然这种更新方法带来了改进的结果,但其简单性限制了通过学习的更新可能获得的潜在增益。因此,我们提出用一种学习更新方法来替代手工设计的更新函数。我们使用一个称为UpdateNet的卷积神经网络,给定初始模板、累积模板和当前帧的模板,旨在估计下一帧的最优模板。UpdateNet结构紧凑,可轻松集成到现有的孪生跟踪器中。我们通过将其应用于两个孪生跟踪器SiamFC和DaSiamRPN,证明了所提方法的通用性。在VOT2016、VOT2018、LaSOT和TrackingNet数据集上的大量实验表明,我们的UpdateNet有效预测了新的目标模板,优于标准线性更新。在大规模TrackingNet数据集上,我们的UpdateNet以成功率绝对提升3.9%改进了DaSiamRPN的结果。
引用
@article{arxiv.1908.00855,
title = {Learning the Model Update for Siamese Trackers},
author = {Lichao Zhang and Abel Gonzalez-Garcia and Joost van de Weijer and Martin Danelljan and Fahad Shahbaz Khan},
journal= {arXiv preprint arXiv:1908.00855},
year = {2019}
}
备注
Accepted at ICCV 2019