Selbstgesteuertes Lernen für die langfristige Verfolgung

Wir befassen uns mit dem Problem der langfristigen Objektverfolgung, bei der das Objekt verdeckt oder aus dem Sichtfeld geraten kann. In diesem Kontext zeigen wir, dass ein genaues Erscheinungsmodell erheblich effektiver ist als ein starkes Bewegungsmodell. Wir entwickeln einfache, aber effektive Algorithmen, die zwischen der Verfolgung und dem Lernen eines guten Erscheinungsmodells bei gegebener Verfolgung wechseln. Wir zeigen, dass es entscheidend ist, aus den "richtigen" Bildern zu lernen, und verwenden das Formalismus des selbstgesteuerten Curriculums, um solche Bilder automatisch auszuwählen. Wir nutzen Techniken aus der Objekterkennung, um genaue, auf dem Erscheinungsbild basierende Vorlagen zu lernen, und zeigen die Bedeutung der Verwendung eines großen negativen Trainingssatzes (der typischerweise nicht für die Verfolgung verwendet wird). Wir beschreiben sowohl einen Offline-Algorithmus (der Bilder im Batch verarbeitet) als auch einen Online-Algorithmus in Linearzeit (d.h. kausal), der sich der Echtzeitleistung nähert. Unsere Modelle übertreffen die bestehenden Ansätze erheblich und reduzieren den durchschnittlichen Fehler bei Benchmark-Videos um das Vierfache.