《Learning Spatially Regularized Correlation Filters for Visual Tracking》---文献理解翻译

最新推荐文章于 2022-04-12 21:46:54 发布

听我的错不了

最新推荐文章于 2022-04-12 21:46:54 发布

阅读量1.2k

点赞数 1

分类专栏：文献翻译

本文链接：https://blog.csdn.net/weixin_45032769/article/details/103528261

版权

本文提出了一种空间正则化判别相关滤波器(SRDCF)用于视觉跟踪，解决了标准DCF方法中的边界效应问题。通过引入空间正则化分量，SRDCF能有效学习更大负样本集的分类器，提高跟踪模型的准确性。采用迭代高斯-赛德尔方法实现在线学习，并在多个基准数据集上取得最佳跟踪结果。

摘要由CSDN通过智能技术生成

这是cfnet中的8号引用文献,和13一样都是对边界问题进行阐述的,稍微阅读以一下,有助于理解.

Abstract

准确的视觉跟踪是计算机视觉领域最具挑战性的问题之一。由于训练数据的固有不足一种鲁棒的目标外观模型构建方法至关重要。近年来，有选择地学习相关滤波器(DCF)被成功地应用于跟踪这一问题。这些方法利用训练样本的周期性假设来有效地学习目标邻域内所有patch上的分类器。然而，周期性假设也引入了不必要的边界效应，严重降低了跟踪模型的质量。
我们提出了提出了一种基于空间正则化的判别相关滤波器(SRDCF)。在学习中引入空间正则化分量，根据相关滤波系数的空间位置对其进行惩罚。我们的SRDCF公式允许在更大的负训练样本集中学习相关滤波器，而不会破坏正样本。我们进一步提出了一个优化策略，基于迭代高斯-赛德尔方法，有效地在线学习我们的SRDCF。在四个基准数据集上进行了实验:OTB-2013、ALOV++、OTB-2015和VOT2014。我们的方法在所有四个数据集上实现了最先进的结果。在OTB-2013和OTB-2015上，与现有的最佳跟踪器相比，我们获得的平均重叠精度绝对增益分别为8.0%和8.2%。