ECO: Efficient Convolution Operators for Tracking

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: id:"swepub:oai:DiVA.org:liu-144284" > ECO: Efficient Conv...

1 av 1
Föregående post
Nästa post
Till träfflistan

Danelljan, Martin,1989-Linköpings universitet,Datorseende,Tekniska fakulteten (författare)

ECO: Efficient Convolution Operators for Tracking

Artikel/kapitelEngelska2017

Förlag, utgivningsår, omfång ...

Institute of Electrical and Electronics Engineers (IEEE),2017
electronicrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:liu-144284
https://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-144284URI
https://doi.org/10.1109/CVPR.2017.733DOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:kon swepub-publicationtype

Anmärkningar

Funding Agencies|SSF (SymbiCloud); VR (EMC2) [2016-05543]; SNIC; WASP; Visual Sweden; Nvidia
In recent years, Discriminative Correlation Filter (DCF) based methods have significantly advanced the state-of-the-art in tracking. However, in the pursuit of ever increasing tracking performance, their characteristic speed and real-time capability have gradually faded. Further, the increasingly complex models, with massive number of trainable parameters, have introduced the risk of severe over-fitting. In this work, we tackle the key causes behind the problems of computational complexity and over-fitting, with the aim of simultaneously improving both speed and performance. We revisit the core DCF formulation and introduce: (i) a factorized convolution operator, which drastically reduces the number of parameters in the model; (ii) a compact generative model of the training sample distribution, that significantly reduces memory and time complexity, while providing better diversity of samples; (iii) a conservative model update strategy with improved robustness and reduced complexity. We perform comprehensive experiments on four benchmarks: VOT2016, UAV123, OTB-2015, and Temple-Color. When using expensive deep features, our tracker provides a 20-fold speedup and achieves a 13.0% relative gain in Expected Average Overlap compared to the top ranked method [12] in the VOT2016 challenge. Moreover, our fast variant, using hand-crafted features, operates at 60 Hz on a single CPU, while obtaining 65.0% AUC on OTB-2015.

Ämnesord och genrebeteckningar

Biuppslag (personer, institutioner, konferenser, titlar ...)

Bhat, GoutamLinköpings universitet,Datorseende,Tekniska fakulteten(Swepub:liu)goubh24 (författare)
Khan, Fahad Shahbaz,1983-Linköpings universitet,Datorseende,Tekniska fakulteten(Swepub:liu)fahkh30 (författare)
Felsberg, Michael,1974-Linköpings universitet,Datorseende,Tekniska fakulteten(Swepub:liu)micfe03 (författare)
Linköpings universitetDatorseende (creator_code:org_t)

Sammanhörande titlar

Ingår i:Proceedings 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR): Institute of Electrical and Electronics Engineers (IEEE), s. 6931-693997815386045719781538604588

Internetlänk

Hitta via bibliotek

Proceedings 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVP... (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Danelljan, Marti ...; Bhat, Goutam; Khan, Fahad Shah ...; Felsberg, Michae ...

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Data och informa ...; och Datorseende och ...

Artiklar i publikationen: Proceedings 2017 ...

Av lärosätet: Linköpings universitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se