用于视觉跟踪的概率回归
计算机视觉与模式识别
2020-03-30 v1 机器学习
摘要
视觉跟踪从根本上说是每视频帧中回归目标状态的问题。尽管已取得显著进展，跟踪器仍易失败与不精确。因此表征目标估计中的不确定性至关重要。虽然当前主流范式依赖估计状态相关置信度分数，该值缺乏清晰概率解释，致其使用复杂。本工作中，我们因而提出概率回归表述并应用于跟踪。我们的网络预测给定输入图像下目标状态的条件概率密度。关键的是，我们的表述能建模源于不准确标注与任务中歧义的标志噪声。回归网络通过最小化 Kullback-Leibler 散度训练。应用于跟踪时，我们的表述不仅允许输出的概率表征，还大幅提升了性能。我们的跟踪器在六个数据集上树立新最优，于 LaSOT 达 59.8% AUC、于 TrackingNet 达 75.8% Success。代码与模型见 https://github.com/visionml/pytracking。
引用
@article{arxiv.2003.12565,
title = {Probabilistic Regression for Visual Tracking},
author = {Martin Danelljan and Luc Van Gool and Radu Timofte},
journal= {arXiv preprint arXiv:2003.12565},
year = {2020}
}
备注
CVPR 2020. Includes appendix