[論文レビュー] Learning Aberrance Repressed Correlation Filters for Real-Time UAV Tracking

Ziyuan Huang, Changhong Fu+3 more|arXiv (Cornell University)|Aug 6, 2019

Video Surveillance and Tracking Methods参考文献 29被引用数 40

ひとこと要約

ARCFはBACFフレームワーク内の応答マップにおける異常を抑制し、UAV追跡の堅牢性と精度を向上させ、リアルタイム性能を実現し、UAVベンチマークで20件の最先端トラッカーを上回る。

ABSTRACT

Traditional framework of discriminative correlation filters (DCF) is often subject to undesired boundary effects. Several approaches to enlarge search regions have been already proposed in the past years to make up for this shortcoming. However, with excessive background information, more background noises are also introduced and the discriminative filter is prone to learn from the ambiance rather than the object. This situation, along with appearance changes of objects caused by full/partial occlusion, illumination variation, and other reasons has made it more likely to have aberrances in the detection process, which could substantially degrade the credibility of its result. Therefore, in this work, a novel approach to repress the aberrances happening during the detection process is proposed, i.e., aberrance repressed correlation filter (ARCF). By enforcing restriction to the rate of alteration in response maps generated in the detection phase, the ARCF tracker can evidently suppress aberrances and is thus more robust and accurate to track objects. Considerable experiments are conducted on different UAV datasets to perform object tracking from an aerial view, i.e., UAV123, UAVDT, and DTB70, with 243 challenging image sequences containing over 90K frames to verify the performance of the ARCF tracker and it has proven itself to have outperformed other 20 state-of-the-art trackers based on DCF and deep-based frameworks with sufficient speed for real-time applications.

研究の動機と目的

• 境界効果と外観変化（遮蔽、照明、ドリフト）に対して堅牢なUAV追跡を動機づける。
• BACFベースのフレームワーク内で応答マップの変化を正則化して検出時に異常を抑制する方法を提案する。
• クロップマトリクスと背景パッチを用いて背景ノイズを抑制しつつ、有効検索領域を拡大する。
• 現実的なリアルタイム速度を保ちながら異常認識フィルターを学習するため、周波数領域でのADMMを用いた効率的な最適化パイプラインを開発する。
• 手作業特徴量と深層トラッカーに対して、UAV123@10fps、DTB70、UAVDTのベンチマークで最先端性能を示す。

提案手法

• BACFと同様に検索領域を拡大するためのクロッピングマトリクスを組み込みつつ、背景パッチをネガティブサンプルとして取り入れる。
• 連続フレーム間の応答マップの変化を制限する異常ペナルティ項を導入する（gammaパラメータ）。
• データ項、標準のティコノフ正則化、および異常正則化項を含む学習目的を定式化し、その後周波数領域へ変換する。
• 得られた凸問題をADMMで解き、空間領域のフィルターwと周波数領域表現gの更新に対する閉形式の部分問題を得る。
• g更新内で Sherman–Morrison の最適化を適用し、フレームごとの計算を加速してリアルタイム性能を実現する。

実験結果

リサーチクエスチョン

• RQ1 遮蔽や外観変化の下で検出の安定性を向上させるために、DCFベースのUAVトラッカーにおける異常を訓練時に抑制できるか？
• RQ2 背景情報と抑制された異常を用いて検索領域を拡大することが、UAV追跡 benchmarksで精度と成功率の向上につながるか？
• RQ3 BACFおよび他の最先端トラッカーと比較した際の異常抑制が堅牢性と速度に与える影響はどうか？
• RQ4 手作業特徴量を使用した場合と、グレースケールおよびCN特徴量を含む場合（ARCF-H vs ARCF-HC）の性能はどうか？

主な発見

Tracker	FPS	MSPF
ARCF-H	51.2	19.53
ARCF-HC	15.3	65.36
ECO-HC	41.1	24.33
STRCF	22.6	44.25
MCCT-H	32.1	31.15
STAPLE_CA	37.2	26.88
SRDCF	11.7	85.47
BACF	52.5	19.05
MUSTER	2.1	476.19
SAMF	9.9	101.01
DSST	100.7	9.93
KCF	326.1	3.07

• ARCF-HCは手作業特徴量トラッカーの中で、UAV123@10fps、DTB70、UAVDTの精度とAUC指標でトップの性能を達成。
• ARCF-H（HOGのみ）もBACFを上回し、堅牢性の向上を示すが速度のトレードオフは控えめ。
• データセット全体で平均すると、BACFに比べ異常関連の応答マップ差を低減（例：ARCF-HCは報告指標でマップ安定性を最大約7–8%向上）。
• ARCFはCPU上でリアルタイム速度を維持し、ARCF-HCは他の手作業特徴量トラッカーと比較して競争力のあるFPSとMSPFを達成。
• 異常ペナルティ項は遮蔽と照明変化時の応答マップの急激な変動を効果的に抑制し、追跡ドリフトを減少させる。