长时跟踪中的模型衰减
计算机视觉与模式识别
2019-08-06 v1
摘要
用不利的边界框预测更新跟踪器模型会给学习引入一个不可避免的偏置项。我们称之为模型衰减的该偏置项会使学习偏移并导致跟踪漂移。虽然其不利影响在短时跟踪中可能不明显，但这一偏置在长期中的累积最终可能导致目标的永久丢失。本文从数学角度审视模型偏置问题，并借助相关滤波（ECO）与孪生（SINT）跟踪器，简要考察各类跟踪误差来源对模型衰减的影响。基于观察与洞见，我们提出若干简单改进以帮助减少长时跟踪中的模型衰减。所提跟踪器在四个长时与一个短时跟踪基准上进行了评估，展现出优越的精度与鲁棒性，即便在 30 分钟长的视频中亦如此。
引用
@article{arxiv.1908.01603,
title = {Model Decay in Long-Term Tracking},
author = {Efstratios Gavves and Ran Tao and Deepak K. Gupta and Arnold W. M. Smeulders},
journal= {arXiv preprint arXiv:1908.01603},
year = {2019}
}