Robust long-term correlation tracking using convolutional features and detection proposals

ردیاب های مبتنی بر فیلتر همپوشانی در سال های اخیر عملکرد جذاب و راندمان بالا را به دست آورده اند. با این حال، برای ردیابی درازمدت که در آن اشیاء هدف به علت انسداد سنگین و یا خارج از منظره ظاهر می شوند، الگوریتم های ردیابی مبتنی بر فیلتر همبستگی متعارف، توسط اشیا های نامناسب اغراق می شود. هنگامی که ردیاب آموزش دیده از دست می دهد، غیر ممکن است که اطلاعات را برای فریم های زیر بازیابی کند. در این مقاله، کار ردیابی درازمدت را در ردیابی و تشخیص تجزیه می کنیم. ردیاب فیلترهای همبستگی جداگانه برای ترجمه صریح و تخمینی مقیاس را یاد میگیرد. به طور خاص، به منظور بهبود دقت ردیابی، ویژگی های کانولوشه ای برای فیلتر ترجمه استخراج می شود و فیلتر مقیاس با استفاده از ظاهر هدف مورد مطالعه در مقیاس های مختلف آموخته می شود. آشکارساز یک فیلد دراز مدت آنلاین را آموزش می دهد و آن را به کل فریم می دهد تا پیشنهادات تشخیص دهد. با بهره گیری از این پیشنهادهای تشخیص، به ردیاب کمک می کند تا از مشکلاتی مانند انسداد موقت یا مداوم به دست آید. به این ترتیب، رویکرد پیشنهادی می تواند به طور موثر برای ردیابی درازمدت موثر باشد و با ارزیابی دقیق تر از مقیاس و مکان شیء موثر باشد. نتایج تجربی گسترده در توالی های مقیاس بزرگ نشان دهنده استحکام روش پیشنهادی است.