[論文レビュー] DR^2Track: Towards Real-Time Visual Tracking for UAV via Distractor Repressed Dynamic Regression

Changhong Fu, Fangqiang Ding+3 more|arXiv (Cornell University)|Aug 10, 2020

Video Surveillance and Tracking Methods参考文献 40被引用数 4

ひとこと要約

DR^2Trackは、背景の干渉要因を抑える動的回帰を用いたリアルタイム視覚追跡手法を提案する。複雑な空域環境下でも高い耐障害性を実現する。応答マップにおける局所的最大値（干渉要因を示す）を特定・抑制することで、回帰ターゲットを動的に変更する。低価格CPU上でも約50 fpsを達成し、UAVベンチマークにおいて最先端のDNNベースのトラッカーを上回る精度を達成した。

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.

研究の動機と目的

• 背景の干渉要因によるトラッカーの耐障害性低下とドリフトを解消する課題に対処する。
• 従来の判別的相関フィルタ（DCF）トラッカーが固定された回帰ターゲットを採用しているため、動的空域シナリオにおける適応性が制限されるという問題を克服する。
• 手作業で設計された特徴量と効率的な計算を用いることで、リソース制約のあるUAVプラットフォームでもリアルタイム性能を実現する。
• 高速移動、部分的遮蔽、スケール変化などの困難な条件下での追跡精度と一般化性能を向上させる。
• 検出された干渉要因に基づき、リアルタイムでターゲットラベルを動的に変更する動的回帰メカニズムを開発する。

提案手法

• DCFベースの検出フェーズで生成された応答マップから局所的最大点を検出することで、潜在的な干渉要因を同定する。
• 識別された干渉要因の応答を抑制するために、回帰ターゲットにおけるラベル値を低下させることでピクセル単位のペナルティを適用する。
• トレーニング中に干渉要因の存在をリアルタイムで反映させ、固定されたガウスラベルに代わる動的回帰ターゲットを更新する。
• 運動を考慮したサーチ戦略を統合し、サーチ領域を拡張してネガティブサンプルを豊富にすることで、高速移動に対する耐性を向上させる。
• 計算効率を維持しつつ高い性能を達成するために、HOGやCNなどの手作業特徴量のみを用いる。
• 高速な相関計算を保つために、フーリエドメインを活用する。これにより、DCFトラッカーの速度優位性を維持する。

実験結果

リサーチクエスチョン

• RQ1 応答マップ解析に基づく動的回帰は、UAV追跡における干渉要因に対する耐障害性を向上させるか？
• RQ2 干渉要因に対応する局所的最大値をピクセル単位で抑制することは、追跡ドリフトを低減するのにどの程度効果的か？
• RQ3 手作業特徴量のみを用いたDCFベースのトラッカーは、UAVベンチマークで深層学習ベースのトラッカーと同等の性能を達成できるか？
• RQ4 動的ラベル適応は、高速移動、遮蔽、スケール変化の下での一般化性能をどの程度向上させるか？
• RQ5 時間的正則化パラメータや抑制しきい値などのハイパーパrameterがトラッカー性能に与える影響はいかほどか？

主な発見

• DR^2TrackはUAVDTで精度0.711、UAV123@10fpsで0.705を達成し、深層学習トラッカーの中で精度では1位、速度では2位を記録した。
• 低価格CPU上でも約46.5 fpsで動作し、ハイエンドGPUを必要とする大多数の深層学習トラッカーを上回った。
• 低解像度条件下で18.7%、部分的遮蔽条件下で6.3%、スケール変化条件下で7.3%の精度向上を示し、優れた一般化性能を確認した。
• アブレーションスタディにより、動的回帰（DR）および運動を考慮した（MA）コンポーネントの両方が性能向上に顕著な寄与を示した。DRのみで精度が1.4%向上した。
• 感度分析の結果、時間的正則化パラメータθが性能に最も大きな影響を及ぼしたが、μとNはわずかな影響にとどまった。
• 可視化結果では、DR^2Trackは干渉要因による偽のピークを避ける集中型の応答マップを維持しているのに対し、ベースライントラッカーはドリフトを生じさせていることが明らかになった。