Towards Discriminative Representations with Contrastive Instances for Real-Time UAV Tracking

要約

コンピューティング リソース、バッテリー容量、UAV の最大負荷の制約により、高効率と高精度を維持することが UAV 追跡における 2 つの基本的な課題となります。
識別相関フィルター (DCF) ベースのトラッカーは、単一の CPU で高い効率を実現できますが、精度は劣ります。
軽量のディープ ラーニング (DL) ベースのトラッカーは、効率と精度の間で適切なバランスを実現できますが、パフォーマンスの向上は圧縮率によって制限されます。
圧縮率が高いと、多くの場合、識別表現が不十分になります。
この目的を達成するために、本論文は、新しい特徴学習の観点から特徴表現の識別力を強化することを目的としています。
具体的には、UAV 追跡のための対照的なインスタンスを使用した、より識別的な表現をシンプルかつ効果的な方法で学習することを試みます。これにより、手動の注釈が必要ないだけでなく、軽量モデルの開発と展開も可能になります。
私たちは、UAV 追跡のための対照学習を初めて研究しました。
UAV123@10fps、DTB70、UAVDT、VisDrone2018を含む4つのUAVベンチマークに関する広範な実験により、提案されたDRCIトラッカーが最先端のUAV追跡方法を大幅に上回ることが示されました。

要約(オリジナル)

Maintaining high efficiency and high precision are two fundamental challenges in UAV tracking due to the constraints of computing resources, battery capacity, and UAV maximum load. Discriminative correlation filters (DCF)-based trackers can yield high efficiency on a single CPU but with inferior precision. Lightweight Deep learning (DL)-based trackers can achieve a good balance between efficiency and precision but performance gains are limited by the compression rate. High compression rate often leads to poor discriminative representations. To this end, this paper aims to enhance the discriminative power of feature representations from a new feature-learning perspective. Specifically, we attempt to learn more disciminative representations with contrastive instances for UAV tracking in a simple yet effective manner, which not only requires no manual annotations but also allows for developing and deploying a lightweight model. We are the first to explore contrastive learning for UAV tracking. Extensive experiments on four UAV benchmarks, including UAV123@10fps, DTB70, UAVDT and VisDrone2018, show that the proposed DRCI tracker significantly outperforms state-of-the-art UAV tracking methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google