Learning Multi-Task Target-Specific Correlation Filters for Robust Tracking

doi:10.1109/TCSVT.2025.3540604

Learning Multi-Task Target-Specific Correlation Filters for Robust Tracking

2025-01-01

0

PRE

AI

DOI：10.1109/TCSVT.2025.3540604

原文链接

原文求助

摘要

En 中文

近年来，基于相关滤波器的跟踪器因其高计算效率与低内存消耗，在视觉跟踪领域展现出巨大潜力。然而，其跟踪性能的提升通常以牺牲计算速度和内存使用为代价。此外，训练高维相关滤波器时，大量参数往往引入过拟合风险。针对上述问题，本文提出多任务目标相关相关滤波器（MTSCF）以解决这些问题。首先，我们构建了一种新颖的多任务滤波器学习回归范式，旨在促进相关滤波器间的竞争与合作，以选择鲁棒跟踪所需的判别特征。这显著降低了空间和通道两个层面的特征冗余，从而产生稀疏相关滤波器。其次，我们根据所设计的回归范式的扩展，开发了一种有效的滤波器重要性评估准则，以选择一组目标相关的特征进行高效跟踪。这显著减少了滤波器参数数量，进一步生成紧凑的相关滤波器。此外，我们提出利用乘子交替方向法（ADMM）算法高效优化所提出的MTSCF。在六个具有挑战性的基准数据集（即OTB2013、OTB2015、VOT2016、VOT2018、UAV20L和LaSOT）上的评估结果显示，所提方法在性能上优于现有的基于DCF的跟踪器，且在仅使用手工设计特征进行评估时，在CPU上仍能保持40 FPS的高速度。

Keyword:

Visual tracking

sparse and compact correlation filters

multi-task filter learning

target-specific tracking

Learning Multi-Task Target-Specific Correlation Filters for Robust Tracking

摘要

期刊

机构