[論文レビュー] Correlation Tracking via Joint Discrimination and Reliability Learning

Chong Sun, Dong Wang+2 more|arXiv (Cornell University)|Apr 24, 2018

Video Surveillance and Tracking Methods参考文献 23被引用数 9

ひとこと要約

本稿では、識別性と信頼性を同時に最適化する新しい相関フィルタベースのトラッカー（DRT）を提案する。フィルタをベースフィルタ（識別性のため）と信頼性ウェイトマップ（耐障害性のため）の要素ごとの積としてモデル化することで実現する。局所的応答一貫性制約とオンライン信頼性学習を導入することで、非一様な特徴応答への感受性が低減され、OTB-2013、OTB-2015、VOT-2016で最先端のトラッカーを上回る性能を達成。VOT-2016ではEAOが0.442を記録し、ECOに比べ18.2%の改善を達成した。

ABSTRACT

For visual tracking, an ideal filter learned by the correlation filter (CF) method should take both discrimination and reliability information. However, existing attempts usually focus on the former one while pay less attention to reliability learning. This may make the learned filter be dominated by the unexpected salient regions on the feature map, thereby resulting in model degradation. To address this issue, we propose a novel CF-based optimization problem to jointly model the discrimination and reliability information. First, we treat the filter as the element-wise product of a base filter and a reliability term. The base filter is aimed to learn the discrimination information between the target and backgrounds, and the reliability term encourages the final filter to focus on more reliable regions. Second, we introduce a local response consistency regular term to emphasize equal contributions of different regions and avoid the tracker being dominated by unreliable regions. The proposed optimization problem can be solved using the alternating direction method and speeded up in the Fourier domain. We conduct extensive experiments on the OTB-2013, OTB-2015 and VOT-2016 datasets to evaluate the proposed tracker. Experimental results show that our tracker performs favorably against other state-of-the-art trackers.

研究の動機と目的

• 既存の相関フィルタトラッカーが識別性にのみ注目し信頼性を無視するという限界に対処し、高応答だが信頼性の低い特徴領域への過剰適合を回避すること。
• 相関フィルタフレームワーク内で識別性と信頼性の学習を分離することで、背景干渉や非一様な特徴分布に対する耐障害性を向上させること。
• フィルタをベースフィルタと信頼性ウェイトマップの積としてモデル化する共同最適化フレームワークを開発し、すべてのターゲット部分領域が均等に寄与するようにすること。
• 信頼性に配慮したフィルタリングにより、遮蔽、変形、背景の雑音といった困難な条件下でのトラッカーの耐障害性を強化すること。

提案手法

• フィルタをベースフィルタと信頼性ウェイトマップの要素ごとの積として定式化し、識別性と信頼性の別々の学習を可能にする。
• 異なる部分領域が均等に寄与するよう保証するため、局所的応答一貫性制約を導入し、高応答領域による支配を防ぐ。
• 信頼性ウェイトマップを、ベースフィルタと併せて交替方向法を用いてオンラインで学習する。
• 高速化のため、最適化をフーリエドメインで行い、相関フィルタベースの追跡の効率性を維持する。
• 識別性と信頼性の両方の項を含む、新たな目的関数を用いてエンドツーエンドで学習する。
• 標準ベンチマークを用いてフレームワークを評価し、アブレーションスタディにより各構成要素の寄与度を確認する。

実験結果

リサーチクエスチョン

• RQ1 相関フィルタにおける識別性と信頼性の共同学習は、困難な視覚的条件下での追跡耐障害性を向上させることができるか？
• RQ2 局所的応答一貫性制約を導入することで、特徴マップにおける高応答だが信頼性の低い領域の影響が低減されるか？
• RQ3 オンラインで学習された信頼性ウェイトマップは、従来手法に比べて、異なるターゲット部分領域における真の追跡信頼度をより適切に反映できるか？
• RQ4 本手法は、多様なベンチマークにおいて、精度、耐障害性、一般化性能の観点で最先端のトラッカーと比較して優れているか？

主な発見

• 提案されたDRTトラッカーは、VOT-2016ベンチマークでEAOスコア0.442を達成し、前回の最良手法であるECO（0.374）に比べ18.2%の相対的改善を示した。
• OTB-2015データセットでは、ベースフィルタと信頼性マップの共同学習により、距離精度が3.5%向上し、AUCスコアが2.3%向上した。
• アブレーションスタディにより、信頼性学習が顕著に寄与することが確認され、OTB-2015ではAUCが1.5%向上、VOT-2016ではEAOが2.3%向上した（局所的応答一貫性のみのベースラインと比較）。
• トラッカーは、VOT-2016データセットで全比較手法と比較して最も低い故障率を示し、優れた耐障害性を示した。
• 信頼性ウェイトマップのおかげで、特徴マップが非一様に活性化されても、背景の影響を効果的に抑制できた。
• 故障事例の主な原因は、急速な変形や背景の雑音であり、今後の光学フロー統合による運動処理の向上が期待される。