RSINet：用于在线视觉跟踪的旋转-尺度不变网络
计算机视觉与模式识别
2020-11-19 v1 机器学习
图像与视频处理
摘要
大多数基于孪生网络的跟踪器在不更新模型的情况下执行跟踪过程，无法自适应地学习目标特定的变化。此外，基于孪生的跟踪器通过生成轴对齐边界框来推断被跟踪物体的新状态，其中含有额外的背景噪声，且无法准确估计运动物体的旋转和尺度变换，从而可能降低跟踪性能。本文中，我们提出一种新颖的旋转-尺度不变网络（RSINet）以解决上述问题。我们的RSINet跟踪器由一个目标-干扰物判别分支和一个旋转-尺度估计分支组成，旋转和尺度知识可通过多任务学习方法以端到端方式显式学习。此外，跟踪模型在时空能量控制下自适应优化和更新，保证了模型的稳定性和可靠性以及高跟踪效率。在OTB-100、VOT2018和LaSOT基准上的综合实验表明，我们提出的RSINet跟踪器相较于近期跟踪器取得了新的SOTA性能，同时以约45 FPS的实时速度运行。
引用
@article{arxiv.2011.09153,
title = {RSINet: Rotation-Scale Invariant Network for Online Visual Tracking},
author = {Yang Fang and Geun-Sik Jo and Chang-Hee Lee},
journal= {arXiv preprint arXiv:2011.09153},
year = {2020}
}
备注
8 pages, 5 figures, the paper has been accepted by international conference on pattern recognition 2020