基于混合模型的浅层线索引导深度视觉跟踪
计算机视觉与模式识别
2018-12-20 v1 人工智能
机器学习
摘要
本文提出了一种基于混合模型卷积神经网络(SDT)的鲁棒视觉跟踪方法。为处理突变或快速运动,在深度跟踪器执行前生成先验图以辅助感兴趣区域(ROI)的定位。采用具有十九个浅层线索的自顶向下显著性模型,通过在线学习的组合权重构建先验图。此外,除整体深度学习器外,还训练了四个局部网络以学习目标的不同组成部分。生成的四个局部热力图将有助于通过消除干扰物来修正整体图,从而避免漂移。进一步,为保证在线更新的高质量样本,通过将问题转化为标签噪声问题来实现优先更新策略。选择概率通过同时考虑置信度值与受生物启发的内存来进行时间信息整合而设计。在一系列具有挑战性的图像序列上进行了定性与定量实验。对比研究表明,所提算法优于其他最先进的方法。
引用
@article{arxiv.1812.08094,
title = {Shallow Cue Guided Deep Visual Tracking via Mixed Models},
author = {Fangwen Tu and Shuzhi Sam Ge and Chang Chieh Hang},
journal= {arXiv preprint arXiv:1812.08094},
year = {2018}
}