Impulso de múltiples instancias semi-supervisado en línea

Una reciente tendencia dominante en el seguimiento llamada seguimiento por detección utiliza clasificadores en línea para redetectar objetos en los sucesivos fotogramas. Aunque estos métodos generalmente ofrecen excelentes resultados y funcionan en tiempo real, también tienden a desviarse en caso de actualizaciones incorrectas durante el proceso de autoaprendizaje. Enfoques recientes han abordado este problema formulando el seguimiento por detección como aprendizaje semi-supervisado de una sola vez o aprendizaje de múltiples instancias. El aprendizaje semi-supervisado permite incorporar priors y es más robusto en caso de oclusiones, mientras que el aprendizaje de múltiples instancias resuelve las incertidumbres sobre dónde realizar actualizaciones positivas durante el seguimiento. En este trabajo, proponemos un algoritmo de aprendizaje semi-supervisado en línea que puede combinar ambos enfoques en un marco coherente. Esto conduce a resultados más robustos que la aplicación de ambos enfoques por separado. Además, introducimos una pérdida combinada que utiliza simultáneamente muestras etiquetadas y no etiquetadas, lo que hace que nuestro rastreador sea más adaptable en comparación con métodos anteriores de aprendizaje semi-supervisado en línea. Experimentalmente, demostramos que al utilizar nuestro enfoque de múltiples instancias semi-supervisado y emplear métodos de aprendizaje robustos, somos capaces de superar a los métodos de vanguardia en varios videos de seguimiento de referencia.