DASTSiam：用于改进孪生跟踪的时空融合与判别增强方法
计算机视觉与模式识别
2023-01-24 v1 图形学
机器学习
摘要
基于深度神经网络的跟踪任务随着孪生跟踪器的出现而大幅改进。然而，目标外观常在跟踪过程中发生变化，面对长宽比改变、遮挡和尺度变化等挑战时，会降低跟踪器的鲁棒性。此外，杂乱背景会导致响应图中出现多个高响应点，造成目标定位错误。本文引入两个基于transformer的模块来改进孪生跟踪，称为DASTSiam：时空(ST)融合模块与判别增强(DA)模块。ST模块利用基于交叉注意力的历史线索累积来提高对目标外观变化的鲁棒性，而DA模块关联模板与搜索区域间的语义信息以改善目标判别性。此外，修改锚点的标签分配也提升了目标定位的可靠性。我们的模块可用于所有孪生跟踪器，并通过对比与消融实验在多个公开数据集上展现出性能提升。
引用
@article{arxiv.2301.09063,
title = {DASTSiam: Spatio-Temporal Fusion and Discriminative Augmentation for Improved Siamese Tracking},
author = {Yucheng Huang and Eksan Firkat and Ziwang Xiao and Jihong Zhu and Askar Hamdulla},
journal= {arXiv preprint arXiv:2301.09063},
year = {2023}
}