[論文レビュー] Online Visual Tracking using Multiple Instance Learning with Instance Significance Estimation.

Tianfei Zhou, Yao Lu|arXiv (Cornell University)|Jan 19, 2015

Video Surveillance and Tracking Methods参考文献 12被引用数 5

ひとこと要約

本稿では、複数インスタンス学習（MIL）フレームワークの強化を目的として、インスタンスの重要度推定を統合したオンライン視覚追跡手法を提案する。各トレーニングインスタンスに、複数のMILBoost予測のベイズ統合に基づく動的重み係数が割り当てられる。インスタンスの再重み付けにより情報量の多いサンプルを優先し、弱学習器選択のための新しい基準を導入することで、困難なベンチマークにおいて既存のMILおよびブースティングベースのトラッカーを上回る優れた追跡精度を達成する。

ABSTRACT

Multiple Instance Learning (MIL) recently provides an appealing way to alleviate the drifting problem in visual tracking. Following the tracking-by-detection framework, an online MILBoost approach is developed that sequentially chooses weak classifiers by maximizing the bag likelihood. In this paper, we extend this idea towards incorporating the instance significance estimation into the online MILBoost framework. First, instead of treating all instances equally, with each instance we associate a significance-coefficient that represents its contribution to the bag likelihood. The coefficients are estimated by a simple Bayesian formula that jointly considers the predictions from several standard MILBoost classifiers. Next, we follow the online boosting framework, and propose a new criterion for the selection of weak classifiers. Experiments with challenging public datasets show that the proposed method outperforms both existing MIL based and boosting based trackers.

研究の動機と目的

• 複数インスタンス学習（MIL）フレームワークのロバスト性を向上させることで、視覚追跡におけるドリフト問題を解決すること。
• MILにおける均一なインスタンス重み付けに依存しないように、インスタンスの重要度を動的かつ学習可能な係数としてモデル化すること。
• インスタンスの重要度に基づく新しい弱学習器選択基準を導入することで、追跡におけるオンラインブースティング性能を向上させること。
• 複数のMILBoost分類器の予測を統合してインスタンスの重要度を推定することで、困難なシーケンスにおける追跡精度を向上させること。

提案手法

• 複数の標準MILBoost分類器からの予測をベイズ式で統合することで、各インスタンスにそのバッグ尤度への寄与度を表す重要度係数を割り当てる。
• 弱学習器がインスタンスの重要度を組み込んだ新しい基準に基づいて選択されるオンラインブースティングフレームワークを採用し、識別性能を向上させる。
• 尤度に基づく最適化戦略を用いて、バッグ尤度を最大化する弱学習器を逐次選択し、重要度係数が選択プロセスをガイドする。
• 複数のMILBoost予測の統合によりインスタンスの重要度を推定し、オンライン学習中にトレーニングインスタンスを適応的に重み付け可能にする。
• 重要度推定をオンラインMILBoostフレームワークに統合することで、トラッカーが時間経過に伴い情報量の多いサンプルを動的に優先できるようにする。

実験結果

リサーチクエスチョン

• RQ1 オンライン視覚追跡設定において、インスタンスの重要度を効果的に推定することで、分類器学習をどのように改善できるか？
• RQ2 重要度係数に基づく動的インスタンス重み付けは、オンラインMILフレームワークにおける追跡ドリフトを低減できるか？
• RQ3 弱学習器選択基準にインスタンスの重要度を組み込むことで、追跡性能が向上するか？
• RQ4 提案手法は、標準MILBoostおよび他のブースティングベースのトラッカーと比較して、ベンチマークデータセットでどのように性能を発揮するか？

主な発見

• 提案手法は、困難な公開視覚追跡データセットにおいて最先端の性能を達成し、既存のMILベースおよびブースティングベースのトラッカーを上回る。
• インスタンスの重要度推定により、オンライン学習中に情報量の多いトレーニングインスタンスを優先することで、追跡ドリフトが顕著に低減される。
• 複数のMILBoost予測のベイズ統合により、重要度係数の推定精度が向上し、モデルの汎化性能が向上する。
• 新しい弱学習器選択基準により、高影響度のインスタンスに焦点を当てることで収束が早まり、精度が向上する。