[논문 리뷰] Online Visual Tracking using Multiple Instance Learning with Instance Significance Estimation.

Tianfei Zhou, Yao Lu|arXiv (Cornell University)|2015. 01. 19.

Video Surveillance and Tracking Methods참고 문헌 12인용 수 5

한 줄 요약

이 논문은 MILBoost를 개선하기 위해 인스턴스 중요도 추정을 통합한 온라인 시각 추적 방법을 제안한다. 각 훈련 인스턴스는 다중 MILBoost 예측의 베이지안 융합을 통해 동적 중요도 계수를 할당받는다. 유의미한 샘플을 우선시하기 위해 인스턴스를 재가중하고, 새로운 약한 분류기 선택 기준을 도입함으로써, 도전적인 벤치마크에서 기존의 MIL- 및 부스팅 기반 추적기들을 능가하는 뛰어난 추적 정확도를 달성한다.

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.

연구 동기 및 목표

• 다중 인스턴스 학습(MIL) 프레임워크의 강건성을 향상시켜 시각 추적에서의 드리프팅 문제를 해결하기 위해.
• MIL에서 균일한 인스턴스 가중치에 의존도를 줄이기 위해, 인스턴스 중요도를 동적이고 학습 가능한 계수로 모델링하기 위해.
• 인스턴스 중요도를 기반으로 한 새로운 기준을 도입함으로써 온라인 부스팅 성능을 향상시키기 위해.
• 다중 MILBoost 분류기의 예측을 융합하여 인스턴스 중요도를 추정함으로써, 도전적인 시퀀스에서의 추적 정확도를 향상시키기 위해.

제안 방법

• 다양한 표준 MILBoost 분류기의 예측을 융합하는 베이지안 공식을 사용하여, 각 인스턴스에 대해 그가 가방의 가능도에 기여하는 정도를 나타내는 중요도 계수를 할당한다.
• 약한 분류기를 인스턴스 중요도를 통합한 새로운 기준에 따라 선택하는 온라인 부스팅 프레임워크를 활용하여, 분류 성능을 향상시킨다.
• 가망도 기반 최적화 전략을 사용하여 가방 가능도를 최대화하는 약한 분류기를 순차적으로 선택하며, 중요도 계수가 선택 과정을 안내한다.
• 다중 MILBoost 예측의 융합을 통해 인스턴스 중요도를 추정함으로써, 온라인 학습 중에 훈련 인스턴스를 적응적으로 가중할 수 있도록 한다.
• 중요도 추정을 온라인 MILBoost 프레임워크에 통합하여, 추적기가 시간이 지남에 따라 정보가 풍부한 샘플을 동적으로 우선시할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 온라인 시각 추적 환경에서 인스턴스 중요도를 효과적으로 추정하는 방법은 무엇인가, 이를 통해 분류기 학습이 어떻게 향상될 수 있는가?
• RQ2 중요도 계수에 기반한 동적 인스턴스 가중치가 온라인 MIL 프레임워크에서 추적 드리프팅을 줄이는 데 기여하는가?
• RQ3 약한 분류기 선택 기준에 인스턴스 중요도를 통합하면 추적 성능이 향상되는가?
• RQ4 제안된 방법은 공개 벤치마크 데이터셋에서 표준 MILBoost 및 기타 부스팅 기반 추적기와 비교해 어떻게 성능을 냅니까?

주요 결과

• 제안된 방법은 도전적인 공개 시각 추적 데이터셋에서 최신 기술 수준의 성능을 달성하며, 기존의 MIL 기반 및 부스팅 기반 추적기들을 능가한다.
• 인스턴스 중요도 추정은 온라인 학습 중에 정보가 풍부한 훈련 인스턴스를 우선시함으로써 추적 드리프팅을 크게 감소시킨다.
• 다중 MILBoost 예측의 베이지안 융합은 중요도 계수 추정의 신뢰성을 향상시켜 모델 일반화 능력을 강화한다.
• 새로운 약한 분류기 선택 기준은 높은 영향력을 지닌 인스턴스에 집중함으로써 수렴 속도를 향상시키고 정확도를 높인다.