DensSiam：具有自注意力模型的端到端密集孪生网络用于目标跟踪
计算机视觉与模式识别
2018-09-11 v1
摘要
卷积孪生神经网络近来已被用于利用深度特征跟踪目标。孪生架构能够实现实时速度，然而仍难以找到一种在减少共享参数数量（尤其是非常深时）的同时保持泛化能力、高准确率和速度的孪生架构。此外，传统孪生架构通常一次只处理一个局部邻域，这使得外观模型具有局部性且对非局部外观变化不鲁棒。为克服这两个问题，本文提出 DensSiam，一种新颖的卷积孪生架构，其使用密集层的概念并以前馈方式将每个密集层连接到所有层，同时带有相似度学习函数。DensSiam 还包含自注意力机制，以迫使网络在离线训练期间更多地关注非局部特征。在四个跟踪基准上进行了大量实验：OTB2013 和 OTB2015 作为验证集；VOT2015、VOT2016 和 VOT2017 作为测试集。所得结果表明，与其他当前最先进方法相比，DensSiam 在这些基准上取得了更优的结果。
引用
@article{arxiv.1809.02714,
title = {DensSiam: End-to-End Densely-Siamese Network with Self-Attention Model for Object Tracking},
author = {Mohamed H. Abdelpakey and Mohamed S. Shehata and Mostafa M. Mohamed},
journal= {arXiv preprint arXiv:1809.02714},
year = {2018}
}
备注
11 pages, 3 figures, Accepted by ISVC18