一篇2022年在Remote Sensing上发表的论文,个人认为在提出的指标和一些策略上有借鉴意义。
先说一下研究背景,实时相关滤波算法,采用无模型的判别式跟踪策略,能同时兼顾速度和精度,在不依赖深度特征的情况下就能达到高性能。
首先,定义了均方误差(MSE):
当期望响应和理想响应y之前的误差越大,MSE值越大。
结合MSE,提出了本文的核心指标TSE,α1和α2确保Fmax和FD有相同的值。这个指标反映了以下情况:
- 目标状态好,Fmax值大,MSE值小,这就导致TSE的值很大,接近最大值1。
- 如果空间出现干扰信息,那么Fmax的依旧可以很大,但是MSE的值同样较大,这样FD下降,TSE值也随之下降。
- 如果目标丢失,则Fmax为0,MSE巨大,TSE接近与0。
根据这个指标,自适应的改变模型更新速率,传统的模型为预定义的学习率,通常在0.9~1之间不等,这样做容易使滤波器学习到错误信息,不够鲁棒。
结合本文的TSE策略,将学习率改为:
把TSE视为x,学习率视为y,大概的函数图像为:
那么我们就可以得出:
- TSE为1时,模型状态很好,不需要更新,学习率很小;
- TSE为0.5左右时,认为模型周围出现了不可预测的干扰信息,这种情况下就需要加速更新;
- TSE为0时,模型状态不可信,这种状态下也不需要更新。
接下来介绍文章中提出的另一个策略:丢失寻找策略
当出现遮挡时,TSE极具下降,这时,假定出目标可能出现的四个位置(目标框长宽的固定倍数),重新提取这四个位置的搜索区域并检测,以三帧为周期进行迭代(三种不同的长宽比),如果这些位置的检测响应图的TSE值大于中心位置的TSE,则认为重新找到目标。
这篇论文不像传统的增加一些正则项来提高精度,一些想法还是值得借鉴的。