北理工團(tuán)隊(duì)在對(duì)抗學(xué)習(xí)相關(guān)跟蹤領(lǐng)域取得研究進(jìn)展
發(fā)布日期：2021-12-27 供稿：光電學(xué)院
編輯：盛筠 審核：董立泉 閱讀次數(shù)：
近日，北京理工大學(xué)光電學(xué)院許廷發(fā)科研團(tuán)隊(duì)在對(duì)抗學(xué)習(xí)相關(guān)跟蹤領(lǐng)域取得新進(jìn)展，相關(guān)研究成果以“Learning Context Restrained Correlation Tracking Filters via Adversarial Negative Instance Generation”為題發(fā)表在人工智能領(lǐng)域的國(guó)際頂級(jí)期刊《IEEE Transactions on Neural Networks and Learning Systems（IEEE TNNLS）》(IF="10.451)上，IEEE" TNNLS是人工智能領(lǐng)域具有高影響力的國(guó)際學(xué)術(shù)刊物之一，在2021年該領(lǐng)域140余種JCR期刊中排名前列，影響因子為10.451，中科院一區(qū)，主要發(fā)表和報(bào)道計(jì)算智能、人工智能、數(shù)據(jù)科學(xué)和神經(jīng)網(wǎng)絡(luò)等領(lǐng)域的最新研究進(jìn)展和技術(shù)。該工作第一作者為北京理工大學(xué)博士研究生黃博，通訊作者為北京理工大學(xué)許廷發(fā)教授。
判別相關(guān)濾波跟蹤器（DCF）的跟蹤性能經(jīng)常受到不必要的邊界效應(yīng)的影響。在過(guò)去的幾年里，已經(jīng)有許多學(xué)者嘗試通過(guò)擴(kuò)大搜索區(qū)域來(lái)解決邊界效應(yīng)帶來(lái)的性能退化。然而，引入過(guò)多的背景信息使得判別相關(guān)濾波器容易從周?chē)h(huán)境而不是目標(biāo)區(qū)域中學(xué)習(xí)。許廷發(fā)教授團(tuán)隊(duì)首次提出了一種新型的上下文約束的相關(guān)跟蹤濾波器（CRCTF）來(lái)解決這一科學(xué)難題，該方法通過(guò)加入高質(zhì)量的對(duì)抗生成負(fù)實(shí)例來(lái)抑制相似背景噪聲的干擾。具體來(lái)說(shuō)，該模型在初始幀構(gòu)建一個(gè)生成對(duì)抗GAN網(wǎng)絡(luò)來(lái)使用上下文背景信息模擬中心被污染的目標(biāo)區(qū)域。針對(duì)GAN網(wǎng)絡(luò)計(jì)算速度慢的問(wèn)題，該團(tuán)隊(duì)提出采用一個(gè)高效的背景運(yùn)動(dòng)矢量估計(jì)網(wǎng)絡(luò)來(lái)加速后續(xù)幀中背景實(shí)例的生成。接著，基于生成背景實(shí)例引入卷積抑制項(xiàng)，通過(guò)相關(guān)濾波的循環(huán)結(jié)構(gòu)和裁剪算子重新表述原始的脊回歸目標(biāo)方程。最后，通過(guò)交替方向乘子法（ADMM）在頻率域高速地求解跟蹤濾波器。
圖1 對(duì)抗背景實(shí)例生成模型
該項(xiàng)研究開(kāi)創(chuàng)性地探索了對(duì)抗學(xué)習(xí)對(duì)嶺回歸相關(guān)濾波器訓(xùn)練的影響。使用高質(zhì)量的對(duì)抗生成負(fù)面實(shí)例來(lái)優(yōu)化模型，對(duì)抑制上下文相似噪聲具有出色的性能。在多個(gè)具有挑戰(zhàn)性的跟蹤數(shù)據(jù)集上，與最先進(jìn)的、高度優(yōu)化的基線相關(guān)濾波算法相比，CRCTF都表現(xiàn)出明顯的性能優(yōu)勢(shì)，通過(guò)在基準(zhǔn)評(píng)價(jià)指標(biāo)上的定性定量分析，證明了對(duì)抗學(xué)習(xí)對(duì)優(yōu)化嶺回歸跟蹤器的有效性。此研究有助于更加清晰深刻地理解嶺回歸目標(biāo)方程各個(gè)正則項(xiàng)之間的內(nèi)在關(guān)系，對(duì)相關(guān)濾波目標(biāo)跟蹤領(lǐng)域的發(fā)展具有重要意義。
論文詳情：Bo Huang, Tingfa Xu, Jianan Li, Fei Luo, Qingwang Qin, Junjie Chen, "Learning Context Restrained Correlation Tracking Filters via Adversarial Negative Instance Generation[J]", IEEE Transactions on Neural Networks and Learning Systems, 2021, doi: 10.1109/TNNLS.2021.3133441.
論文鏈接：https://ieeexplore.ieee.org/document/9662066
第一作者簡(jiǎn)介：
黃博，北京理工大學(xué)光電學(xué)院2016級(jí)碩博連讀博士生，師從許廷發(fā)教授，研究方向?yàn)橛?jì)算機(jī)視覺(jué)和深度學(xué)習(xí)。現(xiàn)已發(fā)表學(xué)術(shù)論文20篇，以第一作者11篇發(fā)表于IEEE TNNLS、IEEE TCYB、IEEE TMM、PR、Neurocomputing等高水平期刊或會(huì)議，影響因子達(dá)49.349。申請(qǐng)中國(guó)發(fā)明專(zhuān)利3項(xiàng)，軟著3項(xiàng)。同時(shí)，還多次擔(dān)任IEEE TCSVT、Neurocomputing、IEEE Access、CVPR等SCI期刊或會(huì)議審稿人。曾獲ICCV 2021 “無(wú)人機(jī)跟蹤”挑戰(zhàn)賽冠軍及最佳論文獎(jiǎng)、光電設(shè)計(jì)競(jìng)賽二等獎(jiǎng)、首都“挑戰(zhàn)杯”一等獎(jiǎng)、研究生數(shù)學(xué)建模三等獎(jiǎng)、“世紀(jì)杯”特等獎(jiǎng)、“百科融創(chuàng)”杯電子設(shè)計(jì)競(jìng)賽一等獎(jiǎng)、光學(xué)與光學(xué)工程博士生學(xué)術(shù)聯(lián)賽北京賽區(qū)二等獎(jiǎng)、國(guó)家獎(jiǎng)學(xué)金、北京市優(yōu)秀畢業(yè)生、優(yōu)秀博士學(xué)位論文育苗基金等榮譽(yù)。
通訊作者簡(jiǎn)介：
許廷發(fā)，教授，博導(dǎo)，國(guó)家一級(jí)重點(diǎn)學(xué)科“光學(xué)工程”責(zé)任教授，光電成像技術(shù)與系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室副主任。近年來(lái)帶領(lǐng)其科研團(tuán)隊(duì)圍繞光電成像探測(cè)與識(shí)別、高光譜計(jì)算成像處理等方向不斷深化研究。主持承擔(dān)國(guó)家自然科學(xué)基金委重大科研儀器研制項(xiàng)目等30多項(xiàng)。在國(guó)際、國(guó)內(nèi)等系列期刊發(fā)表學(xué)術(shù)論文120余篇，其中被SCI/EI收錄80余篇。以第一發(fā)明人申請(qǐng)國(guó)家發(fā)明專(zhuān)利40項(xiàng)，已授權(quán)和公示15項(xiàng)。
分享到：