ECCV2018 Deep regression tracking with shrinkage loss 文章解读

基于压缩损失的深度回顾跟踪算法

摘要：回归跟踪直接学习从目标对象的常规密集样本到软标签的映射，通常是由高斯函数生成的，用来估计目标位置。由于具有快速跟踪和易于实现的潜力，回归跟踪受到越来越多的关注。现有的先进的跟踪方法不能够像相关滤波一样呈现很好的性能。文中认为训练回归网络的主要瓶颈是极端的前景和背景数据不平衡。为了平衡训练数据，提出了一种新的压缩损失来惩罚简单训练数据的权重。而且，利用残差连接来融合多个卷积层机及其输出响应映射。在没有任何附加条件的情况下，所提出的深度回归跟踪方法对最先进的跟踪器性能良好，特别是与DCF相比。

 

·主要贡献

1. 针对学习深度回归网络中数据不平衡的问题，提出了一种新的收缩损失方法，收缩损失也有助于加速网络收敛。

2. 将残差快连接分别应用于融合多个卷积层及其输出响应映射，提出的方法充分利用了跨多个卷积层的多级语义抽象。

3. 进行大量数据集比较，验证方法的有效性。

 

·提出的方法

如图，左边是固定特征提取器（VGG-16）。右边是第一帧训练的回归结果，逐帧更新。将残差连接应用到卷积层和输出响应映射，该网络有效利用了跨卷积层的多层语义抽象，利用收缩瞬时，网络打破了回归学习数据不平衡的瓶颈，收敛速度快。