揭开深度跟踪的力量--Unveiling the Power of Deep Tracking (ECCV2018)

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