基于多尺度域适应的鲁棒实时深度跟踪
计算机视觉与模式识别
2017-01-04 v1
摘要
视觉跟踪是计算机视觉中的一个基本问题。近年来，一些基于深度学习的跟踪算法取得了破纪录的性能。然而，由于深度学习的高复杂度，大多数深度跟踪器跟踪速度低，因此在许多实际应用中不切实际。一些具有更小网络结构的新型深度跟踪器实现了高效率，但代价是精度显著下降。在本文中，我们提出通过卷积通道缩减将图像分类特征迁移到视觉跟踪领域。通道缩减可以简单地被视为具有特定任务的附加卷积层。它不仅提取用于目标跟踪的有用信息，而且显著提高了跟踪速度。为了更好地适应不同尺度下目标的有用特征，适应滤波器被设计为具有不同尺寸。所得的视觉跟踪器是实时的，并且在包含两个广泛采用的基准和超过 100 个测试视频的实验中展示了 SOTA 的准确率。
引用
@article{arxiv.1701.00561,
title = {Robust and Real-time Deep Tracking Via Multi-Scale Domain Adaptation},
author = {Xinyu Wang and Hanxi Li and Yi Li and Fumin Shen and Fatih Porikli},
journal= {arXiv preprint arXiv:1701.00561},
year = {2017}
}
备注
6 pages