面向热红外跟踪的多任务驱动特征模型
计算机视觉与模式识别
2019-11-27 v1
摘要
现有的深度热红外（TIR）跟踪器通常使用 RGB 跟踪器的特征模型进行表示。然而，这些在 RGB 图像上学习的特征模型既不能有效表示 TIR 目标，也未考虑细粒度 TIR 信息。为此，我们开发了一个多任务框架，以学习用于 TIR 跟踪的 TIR 特定判别特征和细粒度关联特征。具体而言，我们首先使用辅助分类网络引导生成 TIR 特定判别特征，以区分属于不同类别的 TIR 目标。其次，我们设计了一个细粒度感知模块来捕获更细微的信息，以区分属于同一类别的 TIR 目标。这两类特征相互补充，并分别在类间和类内层次上识别 TIR 目标。这两种特征模型使用多任务匹配框架学习，并在 TIR 跟踪任务上联合优化。此外，我们构建了一个大规模 TIR 训练数据集来训练网络，使模型适应 TIR 域。在三个基准上的大量实验结果表明，所提算法相对于基线实现了 10% 的相对增益，并且优于当前最先进的方法。代码和所提 TIR 数据集可在 {https://github.com/QiaoLiuHit/MMNet} 获取。
引用
@article{arxiv.1911.11384,
title = {Multi-Task Driven Feature Models for Thermal Infrared Tracking},
author = {Qiao Liu and Xin Li and Zhenyu He and Nana Fan and Di Yuan and Wei Liu and Yonsheng Liang},
journal= {arXiv preprint arXiv:1911.11384},
year = {2019}
}
备注
Thirty-Fourth AAAI Conference on Artifical Intelligence