강건한 시각 객체 추적을 위한 공동 그룹 특성 선택 및 차별적 필터 학습

시각 객체 추적을 위한 차별적 상관 필터(Discriminative Correlation Filters, DCF) 기반의 새로운 그룹 특징 선택 방법(Group Feature Selection, GFS-DCF)을 제안합니다. 제안된 방법의 핵심 혁신은 채널과 공간 차원 모두에서 그룹 특징 선택을 수행하여 다중 채널 특징이 필터링 시스템에 미치는 구조적 관련성을 파악하는 것입니다. 일반적으로 사용되는 공간 정규화 또는 특징 선택 방법과 달리, 최선의 지식으로 판단할 때 이는 DCF 기반 추적에서 채널 선택을 주장한 첫 번째 사례입니다. 우리는 GFS-DCF 방법이 딥 뉴럴 네트워크 특징을 갖춘 DCF 추적기의 성능을 크게 향상시키는 능력을 보여줍니다. 또한, GFS-DCF는 특징 선택과 필터 학습을 동시에 수행하여 학습된 필터의 차별성과 해석성을 향상시킵니다.성능을 더욱 개선하기 위해, 효율적인 저순위 근사(low-rank approximation)를 사용하여 시간 프레임 간에 필터가 부드럽게 변하도록 역사 정보를 적응적으로 통합합니다. 설계상, 추적 과정에서 특정 시간-공간-채널 구성이 동적으로 학습되어 관련 특징을 강조하고, 덜 차별적인 표현들의 성능 저하 영향을 완화하며 정보 중복성을 줄입니다. OTB2013, OTB2015, VOT2017, VOT2018 및 TrackingNet에서 얻은 실험 결과는 우리의 GFS-DCF의 장점과 최신 트래커들보다 우수함을 입증합니다. 코드는 https://github.com/XU-TIANYANG/GFS-DCF에서 공개적으로 이용 가능합니다.