视觉跟踪中孪生网络的样本损失

视觉跟踪在感知系统中起着重要作用，而感知系统是智能交通的关键部分。近年来，由于其优越的精度与简洁的框架，孪生网络成为视觉跟踪中估计运动目标轨迹的研究热点。通常，由 logistic 损失与三元组损失监督的孪生跟踪算法会增大样本模板与正样本间的内积值，同时减小其与背景样本间的内积值。然而，上述损失函数未考虑来自不同样本模板的干扰物，限制了特征模型的判别力。本文提出一种与 logistic 损失相融合的新样本损失，通过减小样本模板间的内积来增强特征模型的判别力。在不加额外修饰的情况下，所提算法优于由 logistic 损失或三元组损失监督的方法。数值结果表明，新开发的算法在公开基准上取得了可比的性能。