基于时间缓慢性原则的视觉跟踪深度不变表示自学

视觉表示对视觉跟踪方法的性能至关重要。传统上，视觉跟踪中采用的视觉表示依赖于手工设计的计算机视觉描述子。这些描述子是以通用方式开发的，未考虑跟踪特定信息。本文中，我们提出通过强时间缓慢性约束和堆叠卷积自编码器，从跟踪的连续图像块中学习复值不变表示。这些深度缓慢局部表示在无标签数据上离线学习，并迁移至我们提出的跟踪器的观测模型。所提出的观测模型保留旧训练样本以缓解漂移，并收集与目标运动模式一致的负样本，以实现更好的判别跟踪。利用学习到的表示与在线训练样本，采用逻辑回归分类器区分目标与背景，并在线重新训练以适应外观变化。随后，该观测模型被集成到粒子滤波框架中以执行视觉跟踪。在各种具有挑战性的基准序列上的实验结果表明，所提出的跟踪器优于若干最先进跟踪器。