无监督深度跟踪
计算机视觉与模式识别
2019-04-04 v1
摘要
我们在本文中提出一种无监督视觉跟踪方法。与现有使用大量标注数据进行监督学习的方法不同,我们的CNN模型以无监督方式在大规模无标注视频上训练。我们的动机是,一个鲁棒的跟踪器应在前向和反向预测中都有效(即跟踪器可以在连续帧中前向定位目标物体,并回溯到其在第一帧中的初始位置)。我们基于孪生相关滤波网络构建框架,该网络使用无标注原始视频训练。同时,我们提出多帧验证方法和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达到了全监督跟踪器(训练期间需要完整且准确的标签)的基准精度。此外,无监督框架展现出利用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.1904.01828,
title = {Unsupervised Deep Tracking},
author = {Ning Wang and Yibing Song and Chao Ma and Wengang Zhou and Wei Liu and Houqiang Li},
journal= {arXiv preprint arXiv:1904.01828},
year = {2019}
}
备注
to appear in CVPR 2019