論文筆記DCFNET: Discriminant Correlation Filters Network For Visual Tracking
1. 論文標題及來源
DCFNET: Discriminant Correlation Filters Network For Visual Tracking, argXiv, 2017.
下載地址:https://arxiv.org/abs/1704.04057
2. 擬解決問題
a. 基於DCF的方法中使用手工標註的特徵,例如HOG
b. 訓練卷積網絡的時候依賴於其它任務,例如分類
3. 解決方法
3.1 算法流程
a. 通過特徵提取器提取target和search region的特徵(注意target和search region同大小)
b. 將它們輸入到相關濾波層得到熱力圖(跟蹤時會在線更新)
c. 根據熱力圖得到目標
3.2 模型在線更新
在線跟蹤過程中,我們只需要更新濾波器空間的傅里葉變換系數。所以傳統的DCF優化問題可以寫爲一個增量模式
表示的貢獻程度
同時,傳統DCF閉式解也可以拓展到時間序列
作者把這個過程看成是RNN的更新過程,如下圖所示
4. 實驗結果
4.1 OTB2013&2015
4.2 VOT2015
4.3 消融實驗
5. 總結
該算法利用孿生網絡提取特徵,然後全文幾乎全是公式推導,它在OTB2013上的AUC是0.604;OTB2015上的AUC,TRE和SRE分別是0.575, 0.601和0.527。效果相對較差,甚至連16年的SiamFC都比不過。但是該算法真正實現了end-to-end訓練。