[論文レビュー] Efficient Diverse Ensemble for Discriminative Co-Tracking

Kourosh Meshgi, Shigeyuki Oba+1 more|arXiv (Cornell University)|Nov 16, 2017

Video Surveillance and Tracking Methods参考文献 56被引用数 3

ひとこと要約

本論文では、query-by-committee機構を用いてアンサンブルメンバー間の多様性を最大化するように人工学習データを生成することで、判別的共同追跡の性能を向上させる効率的で多様性のあるアンサンブルトラッカー（DEDT）を提案する。ランダムに選択されたデータサブセットと、積極的に生成された難易度の高い人工サンプルを組み合わせることで、モデルの相関を低減し、ドリフトを軽減し、OTB50およびOTB100ベンチマークで最先端の性能を達成した。精度とラベルノイズおよび遮蔽に対するロバスト性に優れた結果が得られた。

ABSTRACT

Ensemble discriminative tracking utilizes a committee of classifiers, to label data samples, which are in turn, used for retraining the tracker to localize the target using the collective knowledge of the committee. Committee members could vary in their features, memory update schemes, or training data, however, it is inevitable to have committee members that excessively agree because of large overlaps in their version space. To remove this redundancy and have an effective ensemble learning, it is critical for the committee to include consistent hypotheses that differ from one-another, covering the version space with minimum overlaps. In this study, we propose an online ensemble tracker that directly generates a diverse committee by generating an efficient set of artificial training. The artificial data is sampled from the empirical distribution of the samples taken from both target and background, whereas the process is governed by query-by-committee to shrink the overlap between classifiers. The experimental results demonstrate that the proposed scheme outperforms conventional ensemble trackers on public benchmarks.

研究の動機と目的

• 自己学習ループと相関するアンサンブルメンバーが原因で生じる判別的トラッキングにおけるモデルドリフトとラベルノイズを軽減すること。
• 制御されたデータ拡張により、分類器間の多様性を最大化することでアンサンブルの一般化性能を向上させること。
• 長期間および短期間の記憶を維持しながら、主分類器と補助分類器間で能動的なデータ共有を可能にする、効率的でリアルタイムな共同追跡フレームワークを構築すること。
• 補助分類器を用いた共同追跡設定により、自己学習ループを遮断し、予測を検証・是正すること。
• 遮蔽、変形、背景のごみなどの視覚的課題に直面した場合でも、多様化されたトレーニングによりトラッカーのロバスト性を向上させること。

提案手法

• 本手法は、分類器間の初期相関を低減するために、追跡データのランダムサブセットを用いてアンサンブルを構築する。
• 実際のターゲットおよびバックグラウンドパッチの経験的分布から、最後に確認されたターゲット位置の周囲に多変量ガウス分布を用いて人工トレーニングサンプルを生成する。
• 人工サンプルのラベルは、アンサンブルの現在のコンSENSUSを挑戦するように、query-by-committee戦略により選択され、多様性を促進する。
• アンサンブルは反復的に更新される：人工サンプルを統合した後にアンサンブルの精度が向上すれば、それを受け入れる。そうでなければ、新たなサンプルを生成する。
• 共同追跡フレームワークにおける補助分類器が外部の監視を提供し、その長期間記憶を用いて主トラッカーの予測を検証・是正する。
• フレームワークは、学習の安定化とドリフト低減を図るため、補助分類器にバッチ更新を統合するとともに、ループ型更新メカニズムを介して能動的なデータ共有を可能にする。

実験結果

リサーチクエスチョン

• RQ1 オンライン判別的トラッキングにおいて、モデル相関とドリフトを低減するために、どのようにしてアンサンブルの多様性を体系的に高められるか？
• RQ2 実際のポジティブサンプルが少ない状況下で、人工データ生成がトラッカーのロバスト性を向上させる役割を果たすか？
• RQ3 query-by-committee戦略は、アンサンブル性能を向上させる情報量の多い人工サンプルの作成を効果的に導くことができるか？
• RQ4 補助分類器を備えた共同追跡は、自己学習や独立したアンサンブル手法と比較して、どのようにして精度を向上させるか？
• RQ5 提案手法は、多様な視覚的トラッキング課題下で、最先端のトラッカーをどの程度上回るか？

主な発見

• DEDTは、OTB50ベンチマークの12のサブカテゴリのうち10で、ALLおよびIVカテゴリで最高のAUCを達成した。
• OTB100では、12のサブカテゴリのうち10でトップパフォーマンスを記録し、HOG特徴量を用いていながらも、CCOTのような深層特徴ベースのトラッカーをも凌駕した。
• アブレーションスタディの結果、固定補助分類器を用いたDEDT-firstおよび完全に更新される補助分類器を用いたDEDT-shortは、提案されたループ型で能動的な更新方式に比べて性能が劣った。これは、能動的クエリ選択の重要性を裏付けた。
• 最終的な統合のみを実施するDEDT-isolatedは、リアルタイムの共同追跡バージョンに比べて性能が劣った。これは、継続的な協働の利点を示している。
• 自己学習ループを遮断し、多様化されたトレーニングデータを用いることで、モデルドリフトとラベルノイズの影響が顕著に低減された。
• 学習済みのデータ分布（多変量ガウス分布）からサンプリングされたため、外れ値を導入することなくポジティブサンプルの数を増加させることができた。