近日，350vip8888新葡的京集团许廷发科研团队在对抗学习相关跟踪领域取得新进展，相关研究成果以“Learning Context Restrained Correlation Tracking Filters via Adversarial Negative Instance Generation”为题发表在人工智能领域的国际顶级期刊《IEEE Transactions on Neural Networks and Learning Systems（IEEE TNNLS）》(IF=10.451)上，IEEE TNNLS是人工智能领域具有高影响力的国际学术刊物之一，在2021年该领域140余种JCR期刊中排名前列，影响因子为10.451，中科院一区，主要发表和报道计算智能、人工智能、数据科学和神经网络等领域的最新研究进展和技术。该工作第一作者为350vip8888新葡的京集团博士研究生黄博，通讯作者为350vip8888新葡的京集团许廷发教授。

判别相关滤波跟踪器（DCF）的跟踪性能经常受到不必要的边界效应的影响。在过去的几年里，已经有许多学者尝试通过扩大搜索区域来解决边界效应带来的性能退化。然而，引入过多的背景信息使得判别相关滤波器容易从周围环境而不是目标区域中学习。许廷发教授团队首次提出了一种新型的上下文约束的相关跟踪滤波器（CRCTF）来解决这一科学难题，该方法通过加入高质量的对抗生成负实例来抑制相似背景噪声的干扰。具体来说，该模型在初始帧构建一个生成对抗GAN网络来使用上下文背景信息模拟中心被污染的目标区域。针对GAN网络计算速度慢的问题，该团队提出采用一个高效的背景运动矢量估计网络来加速后续帧中背景实例的生成。接着，基于生成背景实例引入卷积抑制项，通过相关滤波的循环结构和裁剪算子重新表述原始的脊回归目标方程。最后，通过交替方向乘子法（ADMM）在频率域高速地求解跟踪滤波器。

图1对抗背景实例生成模型

该项研究开创性地探索了对抗学习对岭回归相关滤波器训练的影响。使用高质量的对抗生成负面实例来优化模型，对抑制上下文相似噪声具有出色的性能。在多个具有挑战性的跟踪数据集上，与最先进的、高度优化的基线相关滤波算法相比，CRCTF都表现出明显的性能优势，通过在基准评价指标上的定性定量分析，证明了对抗学习对优化岭回归跟踪器的有效性。此研究有助于更加清晰深刻地理解岭回归目标方程各个正则项之间的内在关系，对相关滤波目标跟踪领域的发展具有重要意义。

第一作者简介：

黄博，350vip8888新葡的京集团2016级硕博连读博士生，师从许廷发教授，研究方向为计算机视觉和深度学习。现已发表学术论文20篇，以第一作者11篇发表于IEEE TNNLS、IEEE TCYB、IEEE TMM、PR、Neurocomputing等高水平期刊或会议，影响因子达49.349。申请中国发明专利3项，软著3项。同时，还多次担任IEEE TCSVT、Neurocomputing、IEEE Access、CVPR等SCI期刊或会议审稿人。曾获ICCV 2021 “无人机跟踪”挑战赛冠军及最佳论文奖、光电设计竞赛二等奖、首都“挑战杯”一等奖、研究生数学建模三等奖、“世纪杯”特等奖、“百科融创”杯电子设计竞赛一等奖、光学与光学工程博士生学术联赛北京赛区二等奖、国家奖学金、北京市优秀毕业生、优秀博士学位论文育苗基金等荣誉。

通讯作者简介：

　　许廷发，教授，博导，国家一级重点学科“光学工程”责任教授，光电成像技术与系统教育部重点实验室副主任。近年来带领其科研团队围绕光电成像探测与识别、高光谱计算成像处理等方向不断深化研究。主持承担国家自然科学基金委重大科研仪器研制项目等30多项。在国际、国内等系列期刊发表学术论文120余篇，其中被SCI/EI收录80余篇。以第一发明人申请国家发明专利40项，已授权和公示15项。获国防科技进步二等奖等奖项3项。

论文详情：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.

论文链接：https://ieeexplore.ieee.org/document/9662066