Multi-Domain CNN for Visual Tracking 论文笔记

摘要内容提炼

本文设计了一种依托于卷积神经网络的视觉追踪方法。该方法通过多个带有标注信息的视频数据，学习目标物体共通的特征表达，从而实现对目标的追踪功能。
网络架构由两部分构成：共享层与多个针对特定领域设计的分支层。
在训练阶段，采用若干视频共同训练共享层，每个视频被视作一个独立领域，并分别训练对应的特定领域层。
在测试阶段（即面对新的视频时），使用已训练完成的共享层与新增的二分类层组成新的网络结构。该二分类层能够在线更新，用于判断从上一帧目标区域随机采样的候选窗口是否为目标对象。
该方法在当前主流的跟踪测试集上展现出出色的性能表现。

1 介绍

近年来，卷积神经网络（CNN）被广泛应用于多种计算机视觉任务，例如图像分类、语义分割以及物体检测等。CNN之所以能够取得巨大成功，主要得益于其在处理可视化数据时展现出的优异性能。然而，在视觉跟踪领域，这种趋势的影响相对有限，这主要是由于视频处理应用中难以获取大量训练数据，并且专门针对视觉跟踪任务的训练算法尚未成熟。尽管如此，基于手工提取低级特征的方法在实际应用中仍表现出良好的效果。为了解决数据不足的问题，最近一些跟踪算法尝试通过迁移学习的方式，在大规模分类数据集（如ImageNet）上预训练的CNN模型进行优化。虽然这些方法可以在一定程度上获得通用的特征表示，但由于分类任务与跟踪任务之间存在本质上的