摘要
我们提出了一种新的基于判别相关滤波器（Discriminative Correlation Filters, DCF）的视觉目标跟踪中的组特征选择方法（Group Feature Selection for Discriminative Correlation Filters, GFS-DCF）。该方法的关键创新在于在通道和空间维度上进行组特征选择，从而确定多通道特征与滤波系统的结构相关性。据我们所知，这是首次在基于DCF的跟踪中倡导使用通道选择。我们证明了我们的GFS-DCF方法能够显著提高配备深度神经网络特征的DCF跟踪器的性能。此外，我们的GFS-DCF实现了特征选择和滤波学习的联合优化，提高了所学滤波器的区分能力和可解释性。为了进一步提升性能，我们通过约束滤波器在时间帧之间平滑变化，自适应地整合历史信息，并使用高效的低秩近似方法实现这一目标。设计上，在跟踪过程中动态学习特定的时间-空间-通道配置，突出相关特征，并减轻了非区分表示对性能的影响以及减少了信息冗余。我们在OTB2013、OTB2015、VOT2017、VOT2018和TrackingNet数据集上获得的实验结果展示了我们GFS-DCF方法的优势及其相对于现有最先进跟踪器的优越性。代码已公开发布在https://github.com/XU-TIANYANG/GFS-DCF。