[论文解读] Comparative Study of ECO and CFNet Trackers in Noisy Environment

Mustansar Fiaz, Sajid Javed+2 more|arXiv (Cornell University)|Jan 29, 2018

Video Surveillance and Tracking Methods参考文献 14被引用 3

一句话总结

本文在类似监控的条件下，评估了两种最先进的视觉追踪器 ECO 和 CFNet 在噪声水平逐渐增加时的鲁棒性。通过在基准视频序列中可控地注入噪声，研究发现，随着噪声水平升高，两种追踪器的性能均显著下降，凸显了在图像质量常被破坏的真实应用中，开发抗噪声追踪算法的迫切需求。

ABSTRACT

Object tracking is one of the most challenging task and has secured significant attention of computer vision researchers in the past two decades. Recent deep learning based trackers have shown good performance on various tracking challenges. A tracking method should track objects in sequential frames accurately in challenges such as deformation, low resolution, occlusion, scale and light variations. Most trackers achieve good performance on specific challenges instead of all tracking problems, hence there is a lack of general purpose tracking algorithms that can perform well in all conditions. Moreover, performance of tracking techniques has not been evaluated in noisy environments. Visual object tracking has real world applications and there is good chance that noise may get added during image acquisition in surveillance cameras. We aim to study the robustness of two state of the art trackers in the presence of noise including Efficient Convolutional Operators (ECO) and Correlation Filter Network (CFNet). Our study demonstrates that the performance of these trackers degrades as the noise level increases, which demonstrate the need to design more robust tracking algorithms.

研究动机与目标

• 评估 ECO 和 CFNet 追踪器在噪声视觉环境中的鲁棒性。
• 研究噪声水平增加对追踪准确率和稳定性的影响。
• 识别当前基于深度学习的追踪器在真实世界图像退化条件下的局限性。
• 为开发更具抗噪声能力的追踪算法提供实证依据。

提出的方法

• 本研究在标准追踪基准的数据序列中，以不同强度水平注入合成噪声（高斯噪声、泊松噪声和斑点噪声）。
• 使用标准追踪指标（如精度和成功率）在标准数据集上评估 ECO 和 CFNet 追踪器在噪声水平逐渐增加时的表现。
• 在多个噪声等级（低、中、高）下注入噪声，以模拟真实世界监控摄像头的图像退化。
• 通过标准评估协议量化性能，包括精度曲线和成功率曲线。
• 实验在受控条件下进行，以隔离噪声对追踪器性能的影响。

实验结果

研究问题

• RQ1 噪声强度增加如何影响 ECO 和 CFNet 的追踪准确率？
• RQ2 在噪声条件下，ECO 和 CFNet 哪一追踪器表现出更强的鲁棒性？
• RQ3 常见视觉追踪挑战（如遮挡和形变）与噪声引起的性能退化之间存在何种交互作用？
• RQ4 在真实世界场景中，噪声是否显著降低最先进深度学习追踪算法的性能？

主要发现

• 随着噪声水平升高，ECO 和 CFNet 均表现出显著的性能下降，尤其体现在成功率和精度方面。
• 在高噪声条件下，性能下降尤为明显，多个基准测试中的成功率显著降低。
• 在低至中等噪声条件下，CFNet 表现略优于 ECO，但在高噪声条件下两者均严重受损。
• 结果表明，当前最先进追踪器对监控系统中常见的图像噪声缺乏鲁棒性。
• 本研究证实，噪声是真实世界追踪失败的关键因素，但在标准基准评估中常被忽视。