TCDCaps：基于级联稠密胶囊的视觉跟踪
计算机视觉与模式识别
2019-11-26 v2
摘要
检测跟踪框架中的关键挑战是如何避免在线学习过程中的漂移问题，其中难以学习到应对多种表观变化的鲁棒特征，且定义真假阳性的合理交并比（IoU）阈值难以设定。本文提出TCDCaps方法，通过级联稠密胶囊架构解决上述问题。为获取鲁棒特征，我们用稠密连接路由扩展原始胶囊，称为DCaps。基于胶囊网络中对部分-整体关系的保持，我们的稠密连接胶囊能捕捉多种表观变化。此外，为处理IoU阈值问题，提出级联DCaps模型（CDCaps）以提升候选框质量，其由按递增IoU阈值训练的串行DCaps组成，从而依次提高候选框质量。在3个流行基准上的大量实验证明了所提TCDCaps的鲁棒性。
引用
@article{arxiv.1902.10054,
title = {TCDCaps: Visual Tracking via Cascaded Dense Capsules},
author = {Ding Ma and Xiangqian Wu},
journal= {arXiv preprint arXiv:1902.10054},
year = {2019}
}
备注
The description of DCaps have some mistakes