基于互易学习的深度注意力跟踪

视觉注意力源自认知神经科学，有助于人类感知感官数据中最相关的子集。近来，人们做出了大量努力以利用注意力机制来改进计算机视觉系统。对于视觉跟踪，跟踪经历大幅外观变化的目标物体通常具有挑战性。注意力图通过选择性地关注时间上鲁棒的特征来促进视觉跟踪。现有的检测式跟踪方法主要使用额外的注意力模块来生成特征权重，因为分类器本身未配备此类机制。本文中，我们提出一种互易学习算法，利用视觉注意力来训练深度分类器。所提算法由前馈和反向操作组成以生成注意力图，其作为正则化项与原始分类损失函数耦合用于训练。深度分类器学会关注目标物体区域，该区域对外观变化具有鲁棒性。在大规模基准数据集上的大量实验表明，所提注意力跟踪方法优于最先进的（SOTA）方法。