目标跟踪系列四：Modeling and Propagating CNNs in a Tree Structure for Visual Tracking (2016年8月)

最新推荐文章于 2022-02-13 22:59:41 发布

原创

最新推荐文章于 2022-02-13 22:59:41 发布 · 3.7k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#目标跟踪 #visual tracking #机器学习

文章链接：https://arxiv.org/pdf/1608.07242.pdf

文章是2016年8月放到arvix上的，看格式应该是投到CVPR2017了，Korea的POSTECH这个团队做的，之前比较有名的还有MDNet和CNN-SVM，相信大家应该不陌生哈。

这篇文章的简称是TCNN（树结构的CNN），是VOT2016的冠军，效果很棒，想法也蛮有新意，下面听我一一道来。

1. Motivations

这篇文章最重要的出发点是Model的可靠性问题(reliability)，大部分现有的trackers默认Model是可靠的，就是说模型一直随着目标的变化而稳定变化，这样就有一个问题，当目标被遮挡，或者说在跟丢了情况下，再更新的模型其实已经被污染了，可靠性很低，其实是不能用这样的模型进行后续的跟踪的。

TCNN用了很多个CNN的模型，并构建成一棵树的结构，如图1所示，红色的框越粗说明对应的CNN模型的可靠性（reliability）越高。连接的红色的线越粗，说明两个CNN之间的相关性越高(affinity)。黑色的箭头越粗表示对应的CNN模型对目标估计的权重越高。TCNN还对每一个CNN模型进行了可靠性评估。下面来看看具体是怎么做的。