论文地址:Goutam_Bhat_Unveiling_the_Power_ECCV_2018_paper
文章亮点:
1、分析深度特征和浅层特征对跟踪器性能的影响;
2、探究跟踪器鲁棒性和准确性之间的平衡;
3、提出新的深浅特征的融合策略;
另:研究数据增强策略对跟踪器性能的提升。
深度特征的优点:能够编码高级抽象信息,不受复杂外观变化和杂波的影响,鲁棒性好。
深度特征的局限:需要大量数据;定位准确度低;跟踪任务中更深更复杂的网络架构无益。
因此,许多跟踪器通过浅层激活或手工制作的特征来补充深度特征表示,以提高定位精度。
一、分析深度特征和浅层特征对追踪器的影响:
以ECO算法为基准,数据集:OTB-2015;浅层特征:HOG、CN;深度特征:ResNet-50第四卷积层的激活;研究不同数据增
强技术对浅层和深层特征的影响:
翻转:样品水平翻转
旋转:从固定的12个角度旋转,范围从-60°到60°
平移:在特征提取之前水平和垂直移动n个像素,生成的特征映射向后移动n/s像素,s是步幅。
模糊:使用高斯滤波器模糊,模拟运动模糊和比例变化。
Dropout:将20%的特征通道随机设置为零,剩余的特征通道被放大以保持样本能量。
图(a)展示了各增强策略对跟踪性能的影响(AUC分数),容易看出:深度特征始终受益于数据增强。浅层特征则未受益。深度和
浅度特征表现出明显的差异,是因为深度特征捕获更高级别的语义信息,这些信息对增强的数据(如“翻转”)不变,因此可以从
增加的训练数据中获得提升;而浅