基于统计正样本生成与梯度感知学习的鲁棒视觉跟踪
计算机视觉与模式识别
2020-11-10 v1
摘要
近年来,基于卷积神经网络(CNN)的跟踪器在多个基准数据集上取得了最先进的性能。这些跟踪器大多训练一个二分类器以区分目标与背景。然而,它们存在两个局限。首先,由于正样本数量有限,这些跟踪器无法有效处理显著的外观变化。其次,简单样本与困难样本之间存在着梯度贡献的显著不平衡,其中简单样本通常主导梯度的计算。本文中,我们提出一种通过统计正样本生成与梯度感知学习(SPGA)的鲁棒跟踪方法,以解决上述两个局限。为丰富正样本的多样性,我们提出了一种高效且有效的统计正样本生成算法,在特征空间中生成正样本。此外,为处理简单与困难样本间的不平衡问题,我们提出一种梯度敏感损失,以协调简单与困难样本之间的梯度贡献。在 OTB50、OTB100 和 VOT2016 三个具有挑战性的基准数据集上的大量实验表明,所提出的 SPGA 优于多种最先进的跟踪器。
引用
@article{arxiv.2011.04260,
title = {Robust Visual Tracking via Statistical Positive Sample Generation and Gradient Aware Learning},
author = {Lijian Lin and Haosheng Chen and Yanjie Liang and Yan Yan and Hanzi Wang},
journal= {arXiv preprint arXiv:2011.04260},
year = {2020}
}
备注
6 pages