基于联合模型压缩与迁移的实时相关滤波跟踪
计算机视觉与模式识别
2020-06-24 v1
摘要
相关滤波器（CF）因其计算高效性在视觉跟踪中受到相当关注。通过现成 CNN 模型（如 VGG）利用深度特征，CF 跟踪器在取得最先进性能的同时消耗大量计算资源。这限制了深度 CF 跟踪器部署到许多仅提供单核 CPU 的移动平台。本文中，我们提出在知识蒸馏框架内联合压缩与迁移现成 CNN 模型。我们将从图像分类任务预训练的 CNN 模型表述为教师网络，并将该教师网络蒸馏为轻量级学生网络作为特征提取器以加速 CF 跟踪器。在蒸馏过程中，我们提出保真损失使学生网络保持教师网络的表征能力。同时，我们设计跟踪损失将学生网络的目标从物体识别适配到视觉跟踪。蒸馏过程在多层上离线执行，并使用背景感知在线学习方案自适应更新学生网络。在五个挑战性数据集上的大量实验表明，该轻量级学生网络在单核 CPU 上将最先进深度 CF 跟踪器加速至实时，同时保持几乎相同的跟踪精度。
引用
@article{arxiv.1907.09831,
title = {Real-Time Correlation Tracking via Joint Model Compression and Transfer},
author = {Ning Wang and Wengang Zhou and Yibing Song and Chao Ma and Houqiang Li},
journal= {arXiv preprint arXiv:1907.09831},
year = {2020}
}
备注
12 pages, 12 figures, submitted to IEEE Transactions on Image Processing