无离线预训练的无监督绿色目标跟踪器(GOT)
计算机视觉与模式识别
2023-09-19 v1
摘要
在标注数据上训练的有监督跟踪器凭借优越的跟踪精度主导了单目标跟踪领域。标注成本与巨大的计算复杂度阻碍了它们在边缘设备上的应用。无监督学习方法也被研究以降低标注成本,但其复杂度仍然很高。针对轻量高性能跟踪、无需离线预训练的可行性以及算法透明性,我们在本工作中提出一种新的单目标跟踪方法,称为绿色目标跟踪器(GOT)。GOT通过三个预测分支的集成实现鲁棒框跟踪:1)基于全局目标的相关系数器粗略预测目标位置,2)基于局部块的系数器建立小空间单元的时间相关性,3)基于超像素的分割器利用目标帧的空间信息。GOT以更低的计算成本提供了与最先进的无监督跟踪器(需要繁重离线预训练)相竞争的跟踪精度。GOT具有极小的模型规模(<3k参数)和低推理复杂度(每帧约58M FLOPs)。由于其推理复杂度仅为深度学习跟踪器的0.1%–10%,可轻松部署于移动与边缘设备。
引用
@article{arxiv.2309.09078,
title = {Unsupervised Green Object Tracker (GOT) without Offline Pre-training},
author = {Zhiruo Zhou and Suya You and C. -C. Jay Kuo},
journal= {arXiv preprint arXiv:2309.09078},
year = {2023}
}