MAST：一种记忆增强的自监督跟踪器
计算机视觉与模式识别
2020-02-27 v2 机器学习
摘要
近期对自监督密集跟踪的兴趣取得了快速进展，但性能仍远落后于监督方法。我们提出了一种在无需任何标注的视频上训练的密度跟踪模型，其在现有基准上显著超越先前的自监督方法（+15%），并实现了与监督方法相当的性能。在本文中，我们首先通过全面实验重新评估了用于自监督训练和重建损失的传统选择，最终阐明了最优选择。其次，我们通过为架构增添关键的记忆组件进一步改进现有方法。第三，我们在大规模半监督视频目标分割（即密集跟踪）上进行基准测试，并提出了一种新指标：泛化性。我们的前两项贡献产生了一个自监督网络，首次在标准密集跟踪评估指标上与监督方法具有竞争力。在衡量泛化性时，我们展示自监督方法实际上优于大多数监督方法。我们相信这种新的泛化性指标能更好地捕捉密集跟踪的真实世界用例，并将激发该研究方向的新兴趣。
引用
@article{arxiv.2002.07793,
title = {MAST: A Memory-Augmented Self-supervised Tracker},
author = {Zihang Lai and Erika Lu and Weidi Xie},
journal= {arXiv preprint arXiv:2002.07793},
year = {2020}
}
备注
Accepted to CVPR 2020