[论文解读] 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 4

一句话总结

DR^2Track 提出了一种基于干扰抑制动态回归的无人机实时视觉跟踪方法，以提升复杂空域环境下的鲁棒性。通过识别并抑制响应图中的局部最大值（指示干扰物），该方法自适应地调整回归目标，在低成本CPU上实现约50 fps的推理速度，并在UAV基准测试中超越了当前最先进的基于深度神经网络的跟踪器。

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.

研究动机与目标

• 解决无人机视觉跟踪中背景干扰物导致的跟踪鲁棒性下降和漂移问题。
• 克服传统判别相关滤波（DCF）跟踪器中固定回归目标的局限性，该局限性降低了在动态空域场景中的自适应能力。
• 通过使用手工设计特征和高效计算，在资源受限的无人机平台实现实时性能。
• 在快速运动、遮挡和尺度变化等挑战性条件下，提升跟踪精度和泛化能力。
• 开发一种动态回归机制，根据检测到的干扰物实时调整目标标签。

提出的方法

• 在基于DCF的检测阶段生成的响应图中检测局部极大值点，以识别潜在干扰物。
• 通过降低回归目标中对应标签值，对识别出的干扰物进行像素级惩罚，以抑制其响应。
• 在训练过程中动态更新回归目标，以反映实时存在的干扰物，取代固定的高斯标签。
• 集成运动感知搜索策略，扩展搜索区域并丰富负样本，提升对快速运动的鲁棒性。
• 仅使用手工设计特征（如HOG、CN）以保持计算效率，同时实现高性能。
• 利用傅里叶域进行快速相关计算，保留DCF跟踪器的速度优势。

实验结果

研究问题

• RQ1 基于响应图分析的动态回归能否提升无人机跟踪中对干扰物的鲁棒性？
• RQ2 对对应于干扰物的局部极大值点进行像素级抑制，在减少跟踪漂移方面效果如何？
• RQ3 仅使用手工设计特征的DCF跟踪器能否在UAV基准测试中实现与深度学习跟踪器相当的性能？
• RQ4 动态标签自适应在快速运动、遮挡和尺度变化条件下对泛化能力的提升程度如何？
• RQ5 超参数（如时间正则化参数和抑制阈值）对跟踪器性能的影响如何？

主要发现

• DR^2Track 在UAVDT上达到0.711的精度，在UAV123@10fps上达到0.705的精度，作为深度学习跟踪器排名第一的精度和第二的推理速度。
• 该跟踪器在低成本CPU上运行速度约为46.5 fps，优于大多数依赖高端GPU的深度学习跟踪器。
• 在低分辨率条件下精度提升18.7%，部分遮挡下提升6.3%，尺度变化下提升7.3%，展现出强大的泛化能力。
• 消融实验表明，动态回归（DR）和运动感知（MA）组件均显著提升性能，其中仅DR部分即可使精度提升1.4%。
• 敏感性分析显示，时间正则化参数θ对性能影响最大，而μ和N的影响较小。
• 可视化结果表明，DR^2Track能保持集中响应图，避免干扰物引起的虚假峰值，而基线跟踪器则易出现漂移。