基于循环一致孪生网络的自监督目标跟踪
计算机视觉与模式识别
2020-08-04 v1
摘要
与监督学习相比，视觉目标跟踪的自监督学习具有有价值的优势，例如不需要费力的人工标注和在线训练。在这项工作中，我们利用一个端到端孪生网络在循环一致的自监督框架中进行目标跟踪。自监督可通过利用前向与后向跟踪中的循环一致性来实现。为了更好地利用深度网络的端到端学习，我们提出在跟踪框架中集成一个孪生区域提议与掩码回归网络，从而无需逐帧标注即可学习到快速且更准确的跟踪器。在 VOT 数据集上的视觉目标跟踪实验与在 DAVIS 数据集上的视频目标分割传播实验表明，我们的方法在两项任务上均优于先前的方法。
引用
@article{arxiv.2008.00637,
title = {Self-supervised Object Tracking with Cycle-consistent Siamese Networks},
author = {Weihao Yuan and Michael Yu Wang and Qifeng Chen},
journal= {arXiv preprint arXiv:2008.00637},
year = {2020}
}
备注
2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)