TracKlinic:视觉跟踪中挑战因素的诊断
计算机视觉与模式识别
2019-11-27 v2
摘要
通用视觉跟踪因诸多挑战因素(如遮挡、模糊等)而困难。这些因素中的每一个都可能给跟踪算法带来严重问题,而当它们共同起作用时会使情况更加复杂。尽管已投入大量努力来理解跟踪算法的行为,但用于研究逐因素跟踪行为的可靠且可量化的方法仍几乎空白。针对此问题,本文向学界贡献了一个跟踪诊断工具包TracKlinic,用于诊断跟踪算法的挑战因素。TracKlinic由两个分别关注数据与分析方面的新颖组件构成。对于数据组件,我们精心准备了一组2,390段标注视频,每段仅涉及一个且唯一一个主要挑战因素。当针对某一特定挑战因素分析算法时,这种每序列单因素的规则极大抑制了其他因素的干扰,从而带来更忠实的分析。对于分析组件,给定所有序列上的跟踪结果,它考察跟踪器在各单独因素下的行为并自动生成报告。借助TracKlinic,我们对十个最先进跟踪器在九个挑战因素(包括两个复合因素)上进行了透彻研究。结果表明,严重的形状变化与遮挡是大多数跟踪器面临的最具挑战性的两个因素。此外,视野外虽不频繁发生,却往往是致命的。通过共享TracKlinic,我们期望使诊断跟踪算法变得容易得多,从而助力开发更好的算法。
引用
@article{arxiv.1911.07959,
title = {TracKlinic: Diagnosis of Challenge Factors in Visual Tracking},
author = {Heng Fan and Fan Yang and Peng Chu and Lin Yuan and Haibin Ling},
journal= {arXiv preprint arXiv:1911.07959},
year = {2019}
}
备注
Tech. Report