[论文解读] Online Visual Tracking using Multiple Instance Learning with Instance Significance Estimation.

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

Video Surveillance and Tracking Methods参考文献 12被引用 5

一句话总结

该论文提出了一种在线视觉跟踪方法，通过整合实例重要性估计来增强MILBoost，其中每个训练实例根据多个MILBoost预测的贝叶斯融合被分配一个动态重要性系数。通过重新加权实例以优先考虑信息丰富的样本，并引入一种新型弱分类器选择准则，该方法在具有挑战性的基准测试中实现了优于现有MIL和基于提升方法的跟踪器的跟踪精度。

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.

研究动机与目标

• 通过改进多重实例学习（MIL）框架的鲁棒性来解决视觉跟踪中的漂移问题。
• 通过将实例重要性建模为动态可学习系数，减少MIL中对均匀实例加权的依赖。
• 通过引入基于实例重要性的新型弱分类器选择准则，提升在线提升在跟踪中的性能。
• 通过融合多个MILBoost分类器的预测结果来估计实例重要性，从而提升在具有挑战性序列上的跟踪精度。

提出的方法

• 使用结合多个标准MILBoost分类器预测结果的贝叶斯公式，为每个实例分配一个重要性系数，表示其对包似然的贡献。
• 采用在线提升框架，其中弱分类器的选择基于包含实例重要性的新准则，从而提高判别能力。
• 采用基于似然的优化策略，依次选择能最大化包似然的弱分类器，其中重要性系数指导选择过程。
• 通过融合多个MILBoost预测结果来估计实例重要性，实现在在线学习过程中对训练实例的自适应加权。
• 将重要性估计集成到在线MILBoost框架中，使跟踪器能够随时间动态优先处理信息丰富的样本。

实验结果

研究问题

• RQ1 在在线视觉跟踪设置中，如何有效估计实例重要性以改善分类器学习？
• RQ2 基于重要性系数的动态实例加权是否能减少在线MIL框架中的跟踪漂移？
• RQ3 将实例重要性整合到弱分类器选择准则中是否能提升跟踪性能？
• RQ4 所提出方法在基准数据集上与标准MILBoost及其他基于提升的跟踪器相比表现如何？

主要发现

• 所提方法在具有挑战性的公开视觉跟踪数据集上实现了最先进性能，优于现有的MIL和基于提升的跟踪器。
• 实例重要性估计通过在在线学习过程中优先处理信息丰富的训练实例，显著减少了跟踪漂移。
• 多个MILBoost预测的贝叶斯融合提高了重要性系数估计的可靠性，增强了模型泛化能力。
• 新型弱分类器选择准则通过聚焦于高影响力实例，实现了更快的收敛速度和更高的准确率。