Gemeinsame Gruppenmerkmalsauswahl und diskriminatives Filterlernen für robustes visuelles Objektverfolgen

Wir schlagen eine neue Methode zur Gruppenmerkmalsauswahl für diskriminative Korrelationsfilter (GFS-DCF) vor, die auf visueller Objektverfolgung basiert. Die wesentliche Innovation der vorgeschlagenen Methode besteht darin, die Gruppenmerkmalsauswahl sowohl über die Kanal- als auch über die räumliche Dimension durchzuführen, um so die strukturelle Relevanz von mehrkanaligen Merkmalen für das Filterungssystem zu identifizieren. Im Gegensatz zu den weit verbreiteten Methoden der räumlichen Regularisierung oder Merkmalsauswahl ist dies, soweit wir wissen, das erste Mal, dass eine Kanalauswahl für DCF-basierte Verfolgung befürwortet wird. Wir zeigen, dass unsere GFS-DCF-Methode in der Lage ist, die Leistung eines mit tiefen Neuronalnetzwerk-Merkmale ausgestatteten DCF-Trackers erheblich zu verbessern. Zudem ermöglicht uns unser GFS-DCF eine gemeinsame Merkmalsauswahl und Filterlernung, wodurch die Diskriminierbarkeit und Interpretierbarkeit der gelernten Filter gesteigert wird.Um die Leistung weiter zu verbessern, integrieren wir historische Informationen adaptiv, indem wir die Filter durch eine effiziente Niedrigrangapproximation glatt über zeitliche Frames einschränken. Durch diese Gestaltung werden spezifische zeitlich-räumlich-kanalbezogene Konfigurationen im Verfolgungsprozess dynamisch gelernt, wobei relevante Merkmale hervorgehoben und der leistungsverminderte Einfluss weniger diskriminierender Darstellungen sowie Informationsredundanzen reduziert werden. Die experimentellen Ergebnisse, die auf OTB2013, OTB2015, VOT2017, VOT2018 und TrackingNet erzielt wurden, belegen die Vorzüge unserer GFS-DCF und ihre Überlegenheit gegenüber den besten aktuellen Trackern. Der Code ist öffentlich verfügbar unter https://github.com/XU-TIANYANG/GFS-DCF.