基于生成的多模态跟踪融合
Introduction:
本文讨论了应用 GM 解决多模态信息融合的潜力,并提出了一种用于多模态跟踪(GMMT)的新颖的基于生成的融合机制,如图 1 所示。为了学习输入和输出之间的外部投影,以及内部数据分布,GM 需要更长的训练时间和更大的训练数据量。然而,尽管近年来出现了多个多模态数据集 [4]、[12]、[15],其中包含在不到 1000 个场景中捕获的约 1000 个视频,但与广泛使用的数据集相比,仍然存在显着的多样性差距训练 GM,例如 CelebA[16]。因此,用随机因子分组的多模态特征对被制定为GMMT的输入,以避免过度拟合。此外,为了促进测试时间内特定图像对的自适应融合,来自两种模态的原始信息都保留数据分布,GM需要更长的训练时间和更大的训练数据量。然而,尽管近年来出现了多个多模态数据集 [4]、[12]、[15],其中包含在不到 1000 个场景中捕获的约 1000 个视频,但与广泛使用的数据集相比,仍然存在显着的多样性差距训练 GM,例如 CelebA[16]。因此,用随机因子分组的多模态特征对被制定为GMMT的输入,以避免过度拟合。此外,为了促进测试时特定图像对的自适应融合,来自两种模态的原始信息被保留作为条件。基于上述考虑,本文实现了CGAN[17]和DM[18]。基于生成的融合机制赋予融合模型更好的噪声感知能力,因此融合的特征具有方向性且噪声较少,如图4(c)和(d)所示,这使得跟踪器成为一个更准确的一个。为了验证所提出的融合机制的有效性,它在几个 RGB-T 基线跟踪器上实现。所有评估指标都可以获得一致的改进。此外,还对最大的 RGB-D 基准 [4] 进行了扩展实验,以证明所提出的融合策略的泛化性。
我们探索以生成方法解决多模式跟踪的信息融合部分的潜力。为了实现这一目标,提出了一种新的基于生成的融合机制,该机制使融合的特征更具辨别力。 • 提出了一种通用的融合机制,并在多个基线方法、多个基准测试和两个多模态跟踪任务上证明了其泛化能力。