Bonnes caractéristiques à corrélérer pour le suivi visuel

Ces dernières années, les filtres de corrélation ont montré des résultats dominants et spectaculaires pour le suivi d'objets visuels. Le type de caractéristiques utilisées dans ces familles de traceurs influence considérablement la performance du suivi visuel. L'objectif ultime est d'utiliser des caractéristiques robustes invariantes à tout type de changement d'apparence de l'objet, tout en prédissant sa position aussi précisément que si aucune modification n'avait eu lieu. Avec l'émergence des méthodes basées sur l'apprentissage profond, l'étude des caractéristiques apprises pour des tâches spécifiques s'est accélérée. Par exemple, les méthodes de suivi visuel discriminatif basées sur des architectures profondes ont été étudiées avec des performances prometteuses. Néanmoins, les traceurs basés sur les filtres de corrélation (CFB) se limitent à l'utilisation de réseaux pré-entraînés qui sont formés pour résoudre le problème de classification d'objets. Dans ce manuscrit, le problème d'apprentissage de caractéristiques convolutives entièrement profondes pour le suivi visuel CFB est formulé. Pour apprendre le modèle proposé, un nouvel algorithme de rétropropagation efficace est présenté, basé sur la fonction de perte du réseau. Le cadre d'apprentissage proposé permet au modèle du réseau d'être flexible pour une conception personnalisée. De plus, il réduit la dépendance aux réseaux entraînés pour la classification. Une analyse approfondie des performances montre l'efficacité de la conception personnalisée proposée dans le cadre du suivi CFB. En affinant les parties convolutives d'un réseau d'avant-garde et en intégrant ce modèle à un traceur CFB, qui est parmi les meilleurs performants du VOT2016, une augmentation de 18 % en termes de chevauchement moyen attendu est obtenue, et les échecs de suivi sont réduits de 25 %, tout en maintenant la supériorité sur les méthodes d'avant-garde dans les jeux de données OTB-2013 et OTB-2015.