[論文レビュー] High-speed Tracking with Multi-kernel Correlation Filters

Ming Tang, Bin Yu+2 more|arXiv (Cornell University)|Jun 17, 2018

Video Surveillance and Tracking Methods被引用数 6

ひとこと要約

本稿では、相関フィルタトラッカーの性能を向上させるために、上界最適化を用いてカーネル化された相関フィルタにおけるマルチカーネル学習（MKL）を再定式化する高効率な視覚追跡手法MKCFupを提案する。これにより、カーネル間の相互干渉が顕著に低減され、150 fpsで最先端の精度を達成。KCFおよびMKCFに比べてAUCでそれぞれ16%および7%の向上を示し、特に小運動シーケンスにおいて優れた性能を発揮する。

ABSTRACT

Correlation filter (CF) based trackers are currently ranked top in terms of their performances. Nevertheless, only some of them, such as KCF~\cite{henriques15} and MKCF~\cite{tangm15}, are able to exploit the powerful discriminability of non-linear kernels. Although MKCF achieves more powerful discriminability than KCF through introducing multi-kernel learning (MKL) into KCF, its improvement over KCF is quite limited and its computational burden increases significantly in comparison with KCF. In this paper, we will introduce the MKL into KCF in a different way than MKCF. We reformulate the MKL version of CF objective function with its upper bound, alleviating the negative mutual interference of different kernels significantly. Our novel MKCF tracker, MKCFup, outperforms KCF and MKCF with large margins and can still work at very high fps. Extensive experiments on public datasets show that our method is superior to state-of-the-art algorithms for target objects of small move at very high speed.

研究の動機と目的

• カーネル化された相関フィルタ（KCF）に比べ、マルチカーネル相関フィルタ（MKCF）トレーサーの性能向上が限定的で、計算コストが高いためにその問題を解決すること。
• MKCFにおける異なるカーネル間の負の相互干渉を低減し、速度を損なわずに識別性能を向上させること。
• 新しい最適化フレームワークを用いて、顕著な追跡精度向上を達成しながらも、高い推論速度（fps）を維持すること。
• 相関フィルタベースの追跡における補完的特徴および非線形カーネルの効果的利用を可能にし、より高いロバスト性を実現すること。
• 小運動シーケンスにおいて優れた性能を発揮し、高速かつ高精度な追跡が不可欠な状況で顕著な向上を示すこと。

提案手法

• MKCFの目的関数をその上界を用いて再定式化し、カーネル学習の分離を図り、カーネル間の干渉を低減すること。
• モデルの安定性および追跡のロバスト性を向上させるために、履歴サンプルを上界定式化に組み込むこと。
• 二重変数ベクトルdを効率的な反復スキームで最適化し、従来のMKCF手法に比べて訓練効率を向上させること。
• 相関フィルタの巡回構造を活用して高速フーリエドメイン計算を維持し、高速推論を保証すること。
• 非線形カーネル（例：RBF、多項式）を用いたマルチカーネル学習（MKL）を適用し、識別性能を向上させつつ計算効率を維持すること。
• 境界効果を軽減するための空間正則化およびサンプル重み付け戦略を採用し、局在化精度を向上させること。

実験結果

リサーチクエスチョン

• RQ1 MKCFにおけるカーネル間の相互干渉を、計算コストを増加させることなく効果的に低減できるか？
• RQ2 MKCF目的関数の上界を最適化することで、元の定式化に比べて一般化性能および識別性能が向上するか？
• RQ3 MKLと相関フィルタを組み合わせることで、100 fpsを超える高速トラッカーとして、優れた精度を達成できるか？
• RQ4 本手法は、高精度と高速性が不可欠な小運動シーケンスにおいて、どのように性能を発揮するか？
• RQ5 ECO_HC や SRDCF と比較して、高効率トラッカーである MKCFup において、探索領域サイズと追跡精度のトレードオフはどのようなものか？

主な発見

• OTB2013におけるMKCFupの平均AUCは64.1%を記録し、MKCFに比べ6.8%、fMKCFに比べ4.9%のAUC向上を達成した。
• OTB2013の小運動シーケンスにおいて、MKCFupはSRDCFに比べ平均精度を3.1%、AUCを2.7%向上させ、ECO_HCに比べ1.6%と1.5%の向上を示した。
• NfSの小運動シーケンスにおいて、MKCFupはSRDCFに比べ平均精度を7.6%、AUCを6.6%向上させ、ECO_HCに比べ0.5%と2.1%の向上を達成した。
• MKCFupは150 fpsで動作し、MKCF（30 fps）およびECO_HC（39 fps）に比べ顕著に高速であり、小運動シーケンスにおける精度も上回った。
• KCFに比べてAUCで16%の向上を達成し、KCFscaleに比べ7%の向上を示しており、識別能力の顕著な向上を裏付けた。
• ECO_HCより小さな探索領域を有しながらも、小運動シーケンスでそれを上回った。これは、優れた特徴識別力と局在化精度を有していることを示している。