×
徐天阳;冯振华;吴晓军;约瑟夫·基特勒

自适应信道选择，用于具有鉴别相关滤波器的鲁棒视觉对象跟踪。 （英语） Zbl 1483.68450号

国际期刊计算。视觉。 129，第5期，1359-1375（2021）.
摘要：判别相关滤波器（DCF）已被证明在视觉目标跟踪中取得了令人印象深刻的性能。然而，现有的基于DCF的跟踪器严重依赖于从不变图像特征表示中学习规则化的外观模型。为了进一步提高DCF在准确性方面的性能，并从属性角度提供一个简约模型，我们建议度量多通道特征的相关性，以便进行通道选择。这是通过将每个信道的特征作为一个组来评估所传递的信息来实现的，使用自适应组弹性网在DCF解上诱导独立的稀疏性和时间平滑性。由于信道选择过程执行隐式空间规则化，该方法显著增强了学习外观模型的鲁棒性和稳定性。我们使用增广拉格朗日方法来有效地优化判别滤波器。在一些著名的基准数据集上获得的实验结果证明了该方法的有效性和稳定性。与最先进的跟踪器相比，使用不到10%的深度特征通道可以实现卓越的性能。

引用于1文件

MSC公司：

68T45型 机器视觉和场景理解
68T05型 人工智能中的学习和自适应系统
94A08型 信息与通信理论中的图像处理（压缩、重建等）

关键词：

视觉目标跟踪;判别相关滤波器;自适应信道选择;自适应弹性网

软件：

AlexNet公司;ImageNet公司;MatConvNet公司;冲浪
PDF格式BibTeX公司 XML格式引用
\textit{T.Xu}等人，《国际计算杂志》。视觉。129，第5号，1359--1375（2021；Zbl 1483.68450）
全文： 内政部

参考文献：

[1] Avidan，S.，支持向量跟踪，IEEE模式分析和机器智能事务，26，8，1064-1072（2004）·doi:10.1109/TPAMI.2004.53
[2] Babenko，B。；杨，MH；Belongie，S.，《具有在线多实例学习的鲁棒对象跟踪》，IEEE模式分析和机器智能学报，33，8，1619-1632（2011）·doi:10.1109/TPAMI.2010.226
[3] Bao，C.，Wu，Y.，Ling，H.，Ji，H.（2012）使用加速近端梯度方法的实时鲁棒l1跟踪器。在：IEEE计算机视觉和模式识别会议，第1830-1837页。
[4] Bay，H.、Tuytelaars，T.、Van Gool，L.（2006）《冲浪：加速强大功能》。摘自：欧洲计算机视觉会议，Springer，第404-417页。
[5] 贝尔蒂内托，L。；瓦尔马德雷，J。；Golodetz，S。；米克西克，O。；Torr，PHS，Staple:实时跟踪补充学习者，IEEE计算机视觉和模式识别会议，38，1401-1409（2016）
[6] Bertinetto、Luca和Valmadre、Jack和Henriques、Joao，F.和Vedaldi、Andrea和Torr，Philip，H.S.（2016）用于对象跟踪的全卷积暹罗网络。在：欧洲计算机视觉会议，施普林格，第850-865页。
[7] Bhat，G.，Johnander，J.，Danelljan，M.，Khan，F.S.，Felsberg，M.（2018）《揭示深度追踪的力量》。arXiv预印arXiv:180406833。
[8] Bolme，D.S.，贝弗里奇。J.R.，Draper，B.A.，Lui，Y.M.（2010）使用自适应相关滤波器的视觉对象跟踪。摘自：IEEE计算机视觉和模式识别会议，第2544-2550页。
[9] 博伊德，S。；北卡罗来纳州帕里赫。；朱，E。；佩莱托，B。；Eckstein，J.，《通过交替方向乘数法进行分布式优化和统计学习》，《机器学习的基础和趋势》，3，1，1-122（2010）·Zbl 1229.90122号 ·doi:10.1561/220000016
[10] Choi，J.、Jin Chang，H.、Yun，S.、Fischer，T.、Demiris，Y.、Young Choi、J.（2017）自适应视觉跟踪的注意相关滤波网络。在：《IEEE计算机视觉和模式识别会议论文集》，第4807-4816页。
[11] Comaniciu，D.，Ramesh，V.，Meer，P.（2000）使用均值漂移对非刚性物体进行实时跟踪。摘自：IEEE计算机视觉和模式识别会议，第142-149页。
[12] 达拉，N。；Triggs，B.，人类检测定向梯度直方图，IEEE计算机视觉和模式识别会议，IEEE，1886-893（2005）
[13] Danelljan，M.、Hager，G.、Khan，F.S.、Felsberg，M.（2015）《视觉跟踪的空间正则化相关滤波器学习》。摘自：IEEE计算机视觉国际会议，第4310-4318页。
[14] Danelljan，M.、Robinson，A.、Khan，F.S.、Felsberg，M.（2016）《超越相关滤波器：学习视觉跟踪的连续卷积算子》。摘自：欧洲计算机视觉会议，第472-488页。
[15] Danelljan，M.，Bhat，G.，Khan，F.S.，Felsberg，M.（2017a）Eco:用于跟踪的高效卷积运算符。摘自：IEEE计算机视觉和模式识别会议，第6931-6939页。
[16] Danelljan先生。；哈格尔，G。；可汗，FS；Felsberg，M.，判别尺度空间跟踪，IEEE模式分析和机器智能事务，39，8，1561-1575（2017）·doi:10.1109/TPAMI.2016.2609928
[17] 冯，ZH；胡，G。；Kittler，J。；圣诞节，西。；Wu，XJ，使用具有动态权重的合成图像和真实图像混合训练的鲁棒面部地标检测的级联协作回归，IEEE图像处理汇刊，24，11，3425-3440（2015）·Zbl 1408.94181号 ·doi:10.10109/TIP.2015.22446944
[18] Feng，Z.H.，Kittler，J.，Christmas，W.，Huber，P.，Wu，X.J.（2017）利用训练数据增强和模糊集样本加权的动态注意力控制级联形状回归。摘自：IEEE计算机视觉和模式识别会议，第2481-2490页。
[19] Gray，RM，Toeplitz和循环矩阵：综述，《通信和信息理论的基础和趋势》，2，3，155-239（2006）·Zbl 1115.15021号 ·doi:10.1561/0100000006
[20] Gundogdu，E。；Alatan，AA，《视觉跟踪的良好关联特征》，IEEE图像处理汇刊，27，5，2526-2540（2018）·Zbl 1409.94196号 ·doi:10.10109/TIP.2018.2806280
[21] He，K.，Zhang，X.，Ren，S.，Sun，J.（2016）图像识别的深度剩余学习。摘自：IEEE计算机视觉和模式识别会议，第770-778页。
[22] He，Z.、Fan，Y.、Zhuang，J.、Dong，Y.和Bai，H.（2017）带加权卷积响应的相关滤波器。摘自：IEEE计算机视觉国际会议论文集，1992-2000页。
[23] Henriques，J.，o F，Caseiro，R.，Martins，P.，Batista，J.（2012）《利用内核开发逐检测跟踪的循环结构》。摘自：欧洲计算机视觉会议，第702-715页。
[24] 亨利克斯，JF；Rui，C。；马丁斯，P。；Batista，J.，带核相关滤波器的高速跟踪，IEEE模式分析和机器智能学报，37，3，583-596（2015）·doi:10.1109/TPAMI.2014.2345390
[25] Kiani Galoogahi，H.、Fagg，A.、Lucey，S.（2017）《视觉跟踪的学习背景软件相关过滤器》。摘自：IEEE计算机视觉国际会议论文集，第1135-1143页。
[26] Kristan，M.、Pflugfeld，R.、Matas，J.、Leonardis，A.、Felsberg，M.，Cehovin，L.、Fernandez，G.、Vojir，T.、Hager，G.和Nebehay，G.（2015）视觉对象跟踪vot2015挑战结果。摘自：IEEE国际计算机视觉会议研讨会，第564-586页。
[27] Kristan，M.、Leonardis，A.、Matas，J.、Felsberg，M.，Pflugfelder，R.、Joehovin Zajc，L.等人（2016年）。视觉对象跟踪vot2016挑战结果：施普林格。
[28] Kristan，M.、Leonardis，A.、Matas，J.等人（2017）2017年视觉对象跟踪挑战结果。摘自：IEEE国际计算机视觉研讨会，第1949-1972页。
[29] Kristan，M.、Leonardis，A.、Matas，J.、Felsberg，M.，Pflugfelder，R.、Cehovin Zajc，L.、Vojir，T.、Bhat，G.、Lukezic，A.、Eldesokey，A.等人（2018）第六次视觉对象跟踪vot2018挑战结果。摘自：《欧洲计算机视觉会议论文集》。
[30] Krizhevsky，A.、Sutskever，I.、Hinton，G.E.（2012）《深度卷积神经网络的Imagenet分类》。摘自：《神经信息处理系统的进展》，第1097-1105页。
[31] Li，B.，Yan，J.，Wu，W.，Zu，Z.，Hu，X.（2018a）暹罗地区提案网络的高性能视觉跟踪。摘自：IEEE计算机视觉和模式识别会议记录，第8971-8980页。
[32] Li，F.，Tian，C.，Zuo，W.，Zhang，L.，Yang，M.H.（2018b）学习用于视觉跟踪的时空正则化相关滤波器。摘自：IEEE计算机视觉和模式识别会议记录，第4904-4913页。
[33] 梁，P。；布拉什，E。；Ling，H.，《视觉跟踪的颜色信息编码：算法和基准》，IEEE图像处理学报，24，12，5630-5644（2015）·兹比尔1408.94355 ·doi:10.1109/TIP.2015.2482905
[34] Lin，Z.，Chen，M.，Ma，Y.（2010）精确恢复受损低秩矩阵的增广拉格朗日乘子方法。arXiv预打印arXiv:10095055。
[35] Lowe，D.G.（1999）局部尺度不变特征的目标识别。摘自：《计算机视觉》，1999年。第七届IEEE国际会议记录，第二卷，第1150-1157页。
[36] Lucas，B.D.，Kanade，T.（1981）立体视觉应用的迭代图像配准技术。摘自：国际人工智能联合会议，第674-679页。
[37] Lukezic，A.，Vojir，T.，Zajc，L.C.，Matas，J.，Kristan，M.（2017）具有信道和空间可靠性的判别相关滤波器。摘自：IEEE计算机视觉和模式识别会议，第4847-4856页。
[38] Mueller，M.，Smith，N.，Ghanem，B.（2016）无人机跟踪基准和模拟器。摘自：欧洲计算机视觉会议，Springer，第445-461页。
[39] Mueller，M.、Smith，N.、Ghanem，B.（2017）上下文相关滤波器跟踪。摘自：IEEE计算机视觉和模式识别会议，第1396-1404页。
[40] Nie，F.，Huang，H.，Cai，X.，Ding，C.H.（2010）通过联合范数最小化进行有效且稳健的特征选择。摘自：《神经信息处理系统的进展》，第1813-1821页。
[41] Park，E.，Berg，A.C.（2018）Meta-tracker：视觉对象跟踪器的快速和稳健在线适应。arXiv预印本arXiv：180103049。
[42] Petersen，K.，Pedersen，M.（2008）矩阵食谱。丹麦技术大学。技术手册。
[43] Sanjeev，M.，粒子滤波器在线非线性/非高斯贝叶斯跟踪教程，IEEE信号处理事务，50，2，174-188（2002）·doi:10.1009/78.978374
[44] Simonyan，K.，Zisserman，A.（2014）用于大规模图像识别的极深卷积网络。arXiv预打印arXiv:14091556。
[45] Song，Y.，Ma，C.，Gong，L.，Zhang，J.，Lau，R.，Yang，M.H.（2017）Crest：视觉跟踪的卷积残差学习。摘自：IEEE计算机视觉国际会议，第2555-2564页。
[46] Song，Y.、Ma，C.、Wu，X.、Gong，L.、Bao，L.，Zuo，W.、Shen，C.、Lau，R.、Yang，M.H.（2018）重要：通过对抗性学习进行视觉跟踪。arXiv预打印arXiv:180404273。
[47] Sun，C.，Wang，D.，Lu，H.，Yang，M.H.（2018a）通过联合判别和可靠性学习进行相关跟踪。摘自：IEEE计算机视觉和模式识别会议记录，第489-497页。
[48] Sun，C.，Wang，D.，Lu，H.，Yang，M.H.（2018b）学习视觉跟踪的空间感知回归。摘自：IEEE计算机视觉和模式识别会议记录，第8962-8970页。
[49] Sun，Y.、Sun，C.、Wang，D.、He，Y.和Lu，H.（2019）Roi集合相关滤波器用于视觉跟踪。摘自：IEEE计算机视觉和模式识别会议记录，第5783-5791页。
[50] Szegedy，C.，Liu，W.，Jia，Y.，Sermanet，P.，Reed，S.，Angelov，D.，Erhan，D.，Vanhoucke，V.，Rabinovich，A.（2015）《卷积的深入》。摘自：IEEE计算机视觉和模式识别会议记录，第1-9页。
[51] Tao，R.、Gavves，E.、Smeulders，A.W.（2016）暹罗实例搜索跟踪。在：IEEE计算机视觉和模式识别会议，IEEE，第1420-1429页。
[52] Valmadre，J.、Bertinetto，L.、Henriques，J.，Vedaldi，A.、Torr，P.H.（2017）基于相关滤波器跟踪的端到端表示学习。摘自：IEEE计算机视觉和模式识别会议，IEEE，第5000-5008页。
[53] Vedaldi，A.，Lenc，K.（2015）Matconvnet：用于matlab的卷积神经网络。摘自：第23届ACM多媒体国际会议记录，ACM，第689-692页。
[54] Wang，G.，Luo，C.，Xiong，Z.，Zeng，W.（2019a）Spm-tracker：用于实时视觉对象跟踪的系列平行匹配。摘自：IEEE计算机视觉和模式识别会议记录，第3643-3652页。
[55] Wang，N.，Shi，J.，Yeung，D.Y.，Jia，J.（2015）《理解和诊断视觉跟踪系统》。摘自：IEEE计算机视觉国际会议，IEEE，第3101-3109页。
[56] Wang，Q.，Teng，Z.，Xing，J.，Gao，J.，Hu，W.，Maybank，S.（2018）学习注意力：用于高性能在线视觉跟踪的剩余注意力连体网络。摘自：IEEE计算机视觉和模式识别会议记录，第4854-4863页。
[57] Wang，Q.，Zhang，L.，Bertinetto，L.、Hu，W.、Torr，P.H.（2019b）快速在线对象跟踪和分割：统一方法。摘自：IEEE计算机视觉和模式识别会议记录，第1328-1338页。
[58] 合资公司Weijer；施密德，C。；Verbeek，J。；Larlus，D.，学习实际应用中的颜色名称，IEEE图像处理汇刊，18，7，1512-23（2009）·Zbl 1371.68246号 ·doi:10.10109/TIP.2009.2019809
[59] Wu，Y.，Lim，J.，Yang，M.H.（2013）《在线目标跟踪：基准》。摘自：IEEE计算机视觉和模式识别会议，第2411-2418页。
[60] Wu，Y。；Lim，J。；Yang，MH，对象跟踪基准，IEEE模式分析和机器智能汇刊，37，9，1834-1848（2015）·doi:10.1109/TPAMI.2014.2388226
[61] 徐，T。；冯，ZH；吴晓杰；Kittler，J.，通过保持时间一致性的空间特征选择学习自适应鉴别相关滤波器，用于鲁棒视觉对象跟踪，IEEE图像处理学报，28，11，5596-5609（2019）·Zbl 07123073号 ·doi:10.1109/TIP.2019.2919201
[62] 徐，T。；冯，ZH；吴晓杰；Kittler，J.，《加速相关滤波器跟踪器》，模式识别，102，107172（2020）·doi:10.1016/j.patcog.2019.107172
[63] Xu，T.，Feng，Z.H.，Wu，X.J.，Kittler，J.（2020b）Afat：用于鲁棒视觉对象跟踪的自适应故障软件跟踪器。arXiv预打印arXiv:200513708。
[64] 徐，T。；冯，ZH；吴晓杰；Kittler，J.，《学习低阶和稀疏鉴别相关滤波器用于粗到精视觉对象跟踪》，IEEE视频技术电路和系统汇刊，30，10，3727-3739（2020）·doi:10.1109/TCSVT.2019.2945068
[65] 袁，M。；Lin，Y.，分组变量回归中的模型选择和估计，英国皇家统计学会期刊：B系列（统计方法论），68，1，49-67（2006）·Zbl 1141.62030号 ·doi:10.1111/j.1467-9868.2005302.x
[66] Zhang，T.、Ghanem，B.、Liu，S.、Ahuja，N.（2012）鲁棒视觉跟踪的低秩稀疏学习。摘自：欧洲计算机视觉会议，Springer，第470-484页。
[67] 张，T。；加尼姆，B。；刘，S。；Ahuja，N.，《通过结构化多任务稀疏学习实现鲁棒视觉跟踪》，《国际计算机视觉杂志》，第101、2、367-383页（2013年）·doi:10.1007/s11263-012-0582-z
[68] 张，T。；刘，S。；阿胡加，N。；Yang，MH；Ghanem，B.，通过一致低阶稀疏学习实现鲁棒视觉跟踪，《国际计算机视觉杂志》，111，2，171-190（2015）·Zbl 1398.68605号 ·doi:10.1007/s11263-014-0738-0
[69] Zhang，T.，Bibi，A.，Ghanem，B.（2016）为稀疏跟踪辩护：循环稀疏跟踪器。摘自：IEEE计算机视觉和模式识别会议，第3880-3888页。
[70] Zhang，T.，Xu，C.，Yang，M.H.（2017）鲁棒目标跟踪的多任务相关粒子滤波器。摘自：IEEE计算机视觉和模式识别会议记录，第4335-4343页。
[71] 朱，Q。；Yeh，MC；Cheng，KT公司；Avidan，S.，使用定向梯度直方图级联的快速人体检测，IEEE计算机视觉和模式识别会议，21491-1498（2006）
[72] Zhu，Z.，Wang，Q.，Li，B.，Wu，W.，Yan，J.，Hu，W.（2018）用于视觉对象跟踪的分散器软件暹罗网络。摘自：《欧洲计算机视觉会议论文集》，第101-117页。
[73] 邹，H。；Hastie，T.，《通过弹性网进行正则化和变量选择》，《皇家统计学会杂志》，67，2，301-320（2005）·Zbl 1069.62054号 ·文件编号：10.1111/j.1467-9868.2005.005.x
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。