[論文レビュー] An Experimental Survey on Correlation Filter-based Tracking

Zhe Chen, Zhibin Hong+1 more|arXiv (Cornell University)|Sep 18, 2015

Video Surveillance and Tracking Methods参考文献 63被引用数 100

ひとこと要約

本論文は、相関フィルタベースのトラッカー（CFT）に関する包括的な実験的サーベイを提示しており、ベンチマークデータセット上で11の最先端手法を評価している。MUSTER、SAMF、RPTが上位のパフォーマンスを示し、長期トラッキング、パーツベース戦略、ロバストな特徴学習の統合が、高い速度を維持したまま精度とロバスト性を顕著に向上させることを示している。

ABSTRACT

Over these years, Correlation Filter-based Trackers (CFTs) have aroused increasing interests in the field of visual object tracking, and have achieved extremely compelling results in different competitions and benchmarks. In this paper, our goal is to review the developments of CFTs with extensive experimental results. 11 trackers are surveyed in our work, based on which a general framework is summarized. Furthermore, we investigate different training schemes for correlation filters, and also discuss various effective improvements that have been made recently. Comprehensive experiments have been conducted to evaluate the effectiveness and efficiency of the surveyed CFTs, and comparisons have been made with other competing trackers. The experimental results have shown that state-of-art performance, in terms of robustness, speed and accuracy, can be achieved by several recent CFTs, such as MUSTer and SAMF. We find that further improvements for correlation filter-based tracking can be made on estimating scales, applying part-based tracking strategy and cooperating with long-term tracking methods.

研究の動機と目的

• 相関フィルタベースのトラッキング（CFT）手法に関する体系的レビューと比較評価を提供すること。
• サーベイされたアルゴリズムに基づくCFTの一般化フレームワークを確立すること。
• トレーニング方式、特徴表現、スケール推定、パーツベーストラッキング、長期トラッキング統合の調査を行うこと。
• 大規模ベンチマークを用いた性能評価と、競合トラッカーとの比較を行うこと。
• CFTのロバスト性と効率性を向上させるための今後の改善方向を特定すること。

提案手法

• 著者は10のCFTを実装・評価しており、そのうち8つは公開ソースから、残り2つは簡略化されたバージョンである。
• 一貫したOPE（ワンパス評価）下での評価を実現するため、OOTB-100ベンチマーク全体にわたって統一された実験フレームワークが適用された。
• コア技術には、カーネル化された相関フィルタ、マルチチャネルHOGおよびカラー特徴、スケールピラミッド、適応的相関フィルタを用いたパーツベーストラッキングが含まれる。
• 長期トラッキング部品はMUSTERおよびLCTに統合されており、オンライン再検出とメモリ機構が使用されている。
• 定量的比較には、センター位置誤差（CLE）、オーバラップスコア（OS）、処理速度といった統計的指標が用いられた。
• ロバストネスの評価のため、20の多様な動画シーケンスを用いた定性的分析が実施された。

実験結果

リサーチクエスチョン

• RQ1 異なるトレーニング方式と特徴表現は、相関フィルタベーストラッカーの性能にどのように影響するか？
• RQ2 スケール推定戦略とパーツベーストラッキングは、CFTのロバスト性をどの程度向上させるか？
• RQ3 長期トラッキング部品の統合は、長期トラッキングシナリオにおける性能をどの程度向上させるか？
• RQ4 最先端のCFTにおいて、速度、精度、ロバストネスの間にはどのようなトレードオフがあるか？
• RQ5 どのアーキテクチャ的およびアルゴリズム的改善が、トラッキングパフォーマンスの向上に最も寄与するか？

主な発見

• MUSTERは最高のオーバラップスコアを達成し、最もロバストなトラッカーであった。特に、MotorRollingのようなシーケンスで失敗後もターゲットを再取得する能力に優れていた。
• SAMFとRPTは高い精度を示し、SAMFはスケーリングプール機構によりスケール変動への対処が特に優れていた。
• DSSTとKCFはスケール適応性に制限があり、KCFは固定ウィンドウサイズのため、CarScaleのようなシーケンスで失敗した。
• MEEMはドリフト後の再取得能力が強く、Singer1のようなシーケンスで明確な明るさの変化に弱いことが判明した。
• RPTはBoltで適切に初期化できず、低品質な動画条件下での初期化感度と潜在的な不安定性を示した。
• MUSTERにおける長期トラッキング部品の統合は、遮蔽や長期ドリフトに対する耐性を顕著に向上させた。