基于 Q-Learning 的视觉协同跟踪中长短记忆平衡
计算机视觉与模式识别
2019-02-15 v1
摘要
采用一个或多个附加分类器来打破检测式跟踪中的自学习循环已受到相当关注。此类跟踪器大多仅利用冗余性来处理跟踪循环中的标签错误累积，并且受制于高计算复杂度以及可能中断所有分类器的跟踪挑战（如时间遮挡）。我们提出主动协同跟踪框架，其中跟踪器的主分类器标注视频序列样本，仅在其不确定时咨询辅助分类器。基于不确定性来源与两个分类器的差异（如准确率、速度、更新频率等），应采取不同策略以在两个分类器间交换信息。此处，我们引入一种强化学习方法，通过考虑特定序列中跟踪器的状态来寻找合适策略。与最佳检测式跟踪方法相比，所提方法取得了有前景的结果。
引用
@article{arxiv.1902.05211,
title = {Long and Short Memory Balancing in Visual Co-Tracking using Q-Learning},
author = {Kourosh Meshgi and Maryam Sadat Mirzaei and Shigeyuki Oba},
journal= {arXiv preprint arXiv:1902.05211},
year = {2019}
}
备注
Submitted to ICIP 2019