DMV：基于部件级密集记忆与投票式检索的视觉目标跟踪
计算机视觉与模式识别
2020-03-23 v1 机器学习
图像与视频处理
摘要
我们提出了一种基于部件级密集记忆与投票式检索的新型记忆式跟踪器，称为DMV。自深度学习技术被引入跟踪领域以来，孪生网络跟踪器因在速度与精度之间的平衡而吸引了众多研究者。然而，它们大多基于单一模板匹配，这限制了性能，因为它将可获取的信息局限于初始目标特征。在本文中，我们通过维护一个保存跟踪记录的外置记忆来缓解这一限制。从记忆中进行部件级检索还将信息从模板中解放出来，使我们的跟踪器能够更好地应对外观变化与遮挡等挑战。通过在跟踪过程中更新记忆，无需在线学习即可增强对目标物体的表征能力。我们还提出了一种新颖的用于记忆读取的投票机制，以过滤掉记忆中不可靠的信息。我们在OTB-100、TrackingNet、GOT-10k、LaSOT和UAV123上对我们的跟踪器进行了全面评估，结果表明我们的方法与最先进的方法取得了相当的结果。
引用
@article{arxiv.2003.09171,
title = {DMV: Visual Object Tracking via Part-level Dense Memory and Voting-based Retrieval},
author = {Gunhee Nam and Seoung Wug Oh and Joon-Young Lee and Seon Joo Kim},
journal= {arXiv preprint arXiv:2003.09171},
year = {2020}
}
备注
19 pages, 9 figures