[논문 리뷰] Learning Aberrance Repressed Correlation Filters for Real-Time UAV Tracking

Ziyuan Huang, Changhong Fu외 3명|arXiv (Cornell University)|2019. 08. 06.

Video Surveillance and Tracking Methods참고 문헌 29인용 수 40

한 줄 요약

ARCF는 BACF 프레임워크 내 응답 맵의 이상치를 억제하여 UAV 추적의 강건성과 정확도를 높이고 실시간 성능을 달성하며 UAV 벤치마크에서 20개 최첨단 트래커를 능가합니다.

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.

연구 동기 및 목표

• 경계 효과 및 외관 변화(가림, 조명, 드리프트)에 따른 강건한 UAV 추적 동기화.
• BACF 기반 프레임워크 내 응답 맵 변화 규제를 통한 탐지 시 이상치 억제 방법 제안.
• 잘라내기 매트릭스와 배경 패치를 통해 배경 잡음을 줄이면서 효과적 탐색 영역 확장.
• 실시간 속도에 적합한 Aberrance 인식 필터 학습을 위한 효율적 최적화 파이프라인(주파수 영역의 ADMM) 개발.
• HAND-크래프트 및 딥 트래커에 대항하여 UAV123@10fps, DTB70, UAVDT 벤치마크에서 최첨단 성능 입증.

제안 방법

• BACF처럼 검색 영역 확장을 위한 크롭 매트릭스 도입하면서 배경 패치를 음수 샘플로 포함.
• 연속 프레임 간 응답 맵 변화 제한하는 이상치 페널티 항 도입(gamma 매개변수).
• 학습 목적 함수 데이터 항, 표준 Tikhonov 정규화 및 이상치 정규화 항을 포함하도록 구성하고 주파수 도메인으로 변환.
• ADMM로 해결하는 볼록 문제; 공간 도메인 필터 w와 주파수 도메인 표현 g 업데이트에 대해 해밀다.
• per-frame 계산 가속화를 위해 g 업데이트에 Sherman–Morrison 최적화를 적용.

실험 결과

연구 질문

• RQ1 DCF 기반 UAV 트래커에서 가림 및 외관 변화에 따른 탐지 안정성을 향상시키기 위해 학습 중 이상치를 억제할 수 있는가?
• RQ2 배경 정보와 이상치 억제를 통해 탐색 영역 확장이 UAV 추적 벤치마크에서 정밀도 및 성공률 향상을 가져오는가?
• RQ3 이상치 억제가 BACF 및 다른 최첨단 트래커와 비교해 강건성 및 속도에 미치는 영향은?
• RQ4 ARCF-H vs ARCF-HC에서 손으로 만든 특징(HOG, CN) 사용할 때 성능 차이는?

주요 결과

트래커	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-HC는 UAV123@10fps, DTB70, UAVDT에서 핸드크래프트 특징 트래커 중 정밀도 및 AUC 지표에서 최고 성능.
• ARCF-H (HOG만)도 BACF보다 우수, 강건성 증가와 함께 속도 손실은 미미.
• 데이터셋 평균에서 ARCF는 BACF 대비 이상치 관련 맵 차이 감소(예: ARCF-HC는 보고된 지표에서 맵 안정성을 최대 약 7–8% 향상).
• ARCF는 CPU에서 실시간 속도 가능, ARCF-HC는 다른 핸드크래프트 트래커에 비해 경쟁력 있는 FPS 및 MSPF 달성.
• 이상치 페널티 항은 가림 및 조명 변화 시 갑작스런 응답 맵 변화를 효과적으로 억제하여 추적 드리프트 감소.