用于实时跟踪的无监督深度表示学习
计算机视觉与模式识别
2020-07-24 v1
摘要
视觉跟踪的进展持续由深度学习模型带来。通常，这些模型采用有监督学习并利用昂贵的标注数据训练。为减轻人工标注负担并学会跟踪任意目标，我们提出一种用于视觉跟踪的无监督学习方法。我们无监督学习的动机在于：一个鲁棒的跟踪器应在双向跟踪中均有效。具体而言，跟踪器能够在连续帧中向前定位目标对象，并回溯到其在第一帧中的初始位置。基于该动机，在训练过程中，我们度量前向与后向轨迹间的一致性，仅使用无标注视频从零学习鲁棒跟踪器。我们将框架构建于 Siamese 相关滤波网络之上，并提出多帧验证方案与代价敏感损失以促进无监督学习。无需额外技巧，所提出的无监督跟踪器取得了与经典全监督跟踪器相当的基准精度，同时达到了实时速度。此外，我们的无监督框架展现出利用更多无标注或弱标注数据进一步提升跟踪精度的潜力。
引用
@article{arxiv.2007.11984,
title = {Unsupervised Deep Representation Learning for Real-Time Tracking},
author = {Ning Wang and Wengang Zhou and Yibing Song and Chao Ma and Wei Liu and Houqiang Li},
journal= {arXiv preprint arXiv:2007.11984},
year = {2020}
}
备注
Journal version of the CVPR2019 paper "Unsupervised Deep Tracking". Accepted by IJCV. arXiv admin note: text overlap with arXiv:1904.01828