Apprentissage de filtres de corrélation régularisés spatio-temporels pour le suivi visuel

Les filtres de corrélation discriminants (DCF) sont efficaces pour le suivi visuel, mais ils souffrent d'effets de bord indésirables. Les DCF régularisés spatialement (SRDCF) ont été proposés pour résoudre ce problème en imposant une pénalité spatiale sur les coefficients des DCF, ce qui améliore inévitablement les performances de suivi au prix d'une augmentation de la complexité. Pour faire face à la mise à jour en ligne, le SRDCF formule son modèle sur plusieurs images d'entraînement, ajoutant ainsi des difficultés supplémentaires pour améliorer l'efficacité. Dans cette étude, en introduisant une régularisation temporelle au SRDCF avec un seul échantillon, nous présentons nos filtres de corrélation régularisés spatio-temporellement (STRCF). Inspirés par l'algorithme en ligne Passive-Aggressif (PA), nous introduisons la régularisation temporelle au SRDCF avec un seul échantillon, aboutissant ainsi à nos filtres de corrélation régularisés spatio-temporellement (STRCF). La formulation STRCF peut non seulement servir d'approximation raisonnable du SRDCF avec plusieurs échantillons d'entraînement, mais aussi fournir un modèle d'apparence plus robuste que le SRDCF en cas de grandes variations d'apparence. De plus, elle peut être résolue efficacement par la méthode des multiplicateurs alternatifs (ADMM). En incorporant à la fois une régularisation temporelle et spatiale, notre STRCF peut gérer les effets de bord sans une grande perte d'efficacité et offrir des performances supérieures au SRDCF en termes de précision et de vitesse. Des expériences ont été menées sur trois jeux de données de référence : OTB-2015, Temple-Color et VOT-2016. Comparé au SRDCF, le STRCF avec des caractéristiques manuellement conçues offre un accélération cinq fois plus importante et atteint une amélioration des scores AUC de 5,4 % et 3,6 % sur OTB-2015 et Temple-Color, respectivement. De plus, le STRCF combiné aux caractéristiques CNN se distingue favorablement par rapport aux trackers basés sur CNN les plus avancés et atteint un score AUC de 68,3 % sur OTB-2015.