추적-학습-탐지

이 논문은 비디오 스트림에서 알려지지 않은 객체의 장기 추적을 조사합니다. 객체는 단일 프레임에서 위치와 범위로 정의됩니다. 이후의 모든 프레임에서의 작업은 객체의 위치와 범위를 결정하거나 객체가 존재하지 않음을 나타내는 것입니다. 우리는 장기 추적 작업을 추적, 학습 및 탐지로 명시적으로 분해하는 새로운 추적 프레임워크(TLD)를 제안합니다. 추적기는 프레임에서 프레임으로 객체를 따라갑니다. 탐지기는 지금까지 관찰된 모든 출현을 지역화하고 필요한 경우 추적기를 수정합니다. 학습은 탐지기의 오류를 추정하고 미래에 이러한 오류를 피하기 위해 업데이트합니다. 우리는 탐지기의 오류를 식별하고 그로부터 학습하는 방법을 연구합니다. 우리는 "전문가" 쌍을 통해 오류를 추정하는 새로운 학습 방법(P-N 학습)을 개발했습니다: (1) P-전문가는 놓친 탐지를 추정하고, (2) N-전문가는 잘못된 경고를 추정합니다. 학습 과정은 이산 동적 시스템으로 모델링되며, 학습이 개선을 보장하는 조건이 발견됩니다. 우리는 TLD 프레임워크와 P-N 학습의 실시간 구현을 설명합니다. 우리는 최첨단 접근 방식에 비해 상당한 개선을 보여주는 광범위한 정량적 평가를 수행합니다.