[논문 리뷰] DR^2Track: Towards Real-Time Visual Tracking for UAV via Distractor Repressed Dynamic Regression

Changhong Fu, Fangqiang Ding외 3명|arXiv (Cornell University)|2020. 08. 10.

Video Surveillance and Tracking Methods참고 문헌 40인용 수 4

한 줄 요약

DR^2Track는 복잡한 공중 환경에서의 강인성을 향상시키기 위해 분산 억제 동적 회귀를 사용하는 UAV용 실시간 시각 추적 방법을 제안한다. 응답 맵에서 국소 최댓값(즉, 갈등 요소를 나타냄)을 식별하고 억제함으로써, 이는 적응적으로 회귀 타겟을 수정한다. 이로 인해 저비용 CPU에서 약 50 fps의 성능을 달성하고, UAV 기준으로 최신 딥 뉴럴 네트워크 기반 추적기들을 초월하는 정확도를 확보한다.

ABSTRACT

Visual tracking has yielded promising applications with unmanned aerial vehicle (UAV). In literature, the advanced discriminative correlation filter (DCF) type trackers generally distinguish the foreground from the background with a learned regressor which regresses the implicit circulated samples into a fixed target label. However, the predefined and unchanged regression target results in low robustness and adaptivity to uncertain aerial tracking scenarios. In this work, we exploit the local maximum points of the response map generated in the detection phase to automatically locate current distractors. By repressing the response of distractors in the regressor learning, we can dynamically and adaptively alter our regression target to leverage the tracking robustness as well as adaptivity. Substantial experiments conducted on three challenging UAV benchmarks demonstrate both excellent performance and extraordinary speed (~50fps on a cheap CPU) of our tracker.

연구 동기 및 목표

• 배경 갈등 요소로 인해 추적기의 강인성이 떨어지고 드리프트가 발생하는 UAV 시각 추적 문제를 해결한다.
• 기존의 분류 상관관계 필터(DCF) 추적기에서 고정된 회귀 타겟으로 인해 동적 공중 환경에서의 적응성이 떨어지는 한계를 극복한다.
• 수동 특징과 효율적인 계산을 통해 자원 제약이 있는 UAV 플랫폼에서 실시간 성능를 확보한다.
• 빠른 운동, 가림, 척도 변화와 같은 어려운 조건 하에서 추적 정확도와 일반화 능력을 향상시킨다.
• 감지된 갈등 요소에 기반해 실시간으로 타겟 레이블을 적응적으로 수정하는 동적 회귀 메커니즘을 개발한다.

제안 방법

• DCF 기반 탐지 단계에서 생성된 응답 맵에서 국소 최댓값 포인트를 검출하여 잠재적 갈등 요소를 식별한다.
• 응답 맵에서 갈등 요소의 반응을 억제하기 위해, 회귀 타겟 내 레이블 값 조정을 통해 픽셀 수준의 보상 적용을 수행한다.
• 학습 중 실시간 갈등 요소 존재를 반영해 회귀 타겟을 동적으로 업데이트함으로써 고정된 가우시안 레이블을 대체한다.
• 빠른 운동에 대응하기 위해 운동 인식 기반 검색 전략을 통합하여 검색 영역을 확장하고 부정 샘플을 풍부하게 한다.
• 계산 효율성을 유지하면서 높은 성능를 달성하기 위해 수동 특징(HOG, CN 등)만을 사용한다.
• 빠른 상관 계산을 위해 푸리에 도메인을 활용함으로써 DCF 추적기의 속도 우수성을 유지한다.

실험 결과

연구 질문

• RQ1 응답 맵 분석에 기반한 동적 회귀가 UAV 추적에서 갈등 요소에 대한 강인성을 향상시키는가?
• RQ2 갈등 요소에 해당하는 국소 최댓값을 픽셀 수준에서 억제하는 것이 추적 드리프트 감소에 얼마나 효과적인가?
• RQ3 수동 특징만을 사용하는 DCF 기반 추적기가 UAV 기준으로 딥 러닝 기반 추적기와 비교해 경쟁 가능한 성능를 달성할 수 있는가?
• RQ4 동적 레이블 적응이 빠른 운동, 가림, 척도 변화 조건에서 일반화 능력을 얼마나 향상시키는가?
• RQ5 시간 정규화 및 억제 임계값과 같은 하이퍼파rameter가 추적기 성능에 미치는 영향은 어떠한가?

주요 결과

• DR^2Track는 UAVDT에서 정밀도 0.711, UAV123@10fps에서 0.705를 기록하여 딥 러닝 추적기 중 정밀도 1위, 속도 2위를 달성한다.
• 저비용 CPU에서 약 46.5 fps로 실행되어 대부분의 딥 러닝 추적기보다 빠른 성능를 보이며, 고성능 GPU가 필요로 하는 경쟁 기반 추적기들을 능가한다.
• 저해상도 조건에서 정확도가 18.7% 향상되었고, 부분적 가림 상황에서 6.3%, 척도 변화에서 7.3% 향상되어 강력한 일반화 능력을 입증한다.
• 제거 분석 결과, 동적 회귀(DR) 및 운동 인식(MA) 구성 요소가 성능 향상에 크게 기여하며, DR만으로도 정밀도가 1.4% 향상됨을 확인했다.
• 민감도 분석 결과, 시간 정규화 파rameter θ가 성능에 가장 큰 영향을 미치며, μ와 N는 미미한 영향을 미친다.
• 시각적 결과에서는 DR^2Track가 갈등 요소에서 발생하는 가짜 피크를 피하고 응답 맵을 집중적으로 유지하는 반면, 기준 추적기는 드리프트 문제를 악화시키는 것으로 나타났다.