学习优化非刚性跟踪
计算机视觉与模式识别
2020-03-30 v1
摘要
非刚性跟踪的一种广泛采用的解决方案具有嵌套循环结构：外循环使用高斯-牛顿法最小化跟踪目标函数，内循环使用预处理共轭梯度法（PCG）求解稀疏线性系统。本文采用可学习优化方法来提升跟踪鲁棒性并加速求解器收敛。首先，我们通过集成基于CNN端到端学习的深度特征对齐数据项来改进跟踪目标函数。新的跟踪目标函数能够捕捉全局形变，有助于高斯-牛顿法跳出局部极小，从而在大尺度非刚性运动下实现鲁棒跟踪。其次，我们引入一个ConditionNet来弥合预处理技术与学习方法之间的鸿沟，该网络经训练生成预条件子，使PCG能在极少步数内收敛。实验结果表明，所提出的学习方法比原始PCG收敛速度快出大量幅度。
引用
@article{arxiv.2003.12230,
title = {Learning to Optimize Non-Rigid Tracking},
author = {Yang Li and Aljaž Božič and Tianwei Zhang and Yanli Ji and Tatsuya Harada and Matthias Nießner},
journal= {arXiv preprint arXiv:2003.12230},
year = {2020}
}
备注
Accepted to CVPR'2020 (oral)