图注意力跟踪
计算机视觉与模式识别
2020-11-24 v1
摘要
基于孪生网络的跟踪器将视觉跟踪任务表述为相似性匹配问题。几乎所有流行的孪生跟踪器都通过目标分支与搜索分支之间的卷积特征互相关来实现相似性学习。然而，由于目标特征区域的大小需要预先固定，这些基于互相关的方法要么保留了大量不利的背景信息，要么丢失了大量前景信息。此外，目标与搜索区域之间的全局匹配也很大程度上忽略了目标结构和部件级信息。在本文中，为解决上述问题，我们提出了一种用于通用目标跟踪的简单目标感知孪生图注意力网络。我们提出用完全二分图建立目标与搜索区域之间的部件到部件对应，并应用图注意力机制将目标信息从模板特征传播到搜索特征。进一步，不同于使用预固定区域裁剪进行模板特征区域选择，我们研究了一种目标感知区域选择机制，以适应不同物体的尺寸和长宽比变化。在包括 GOT-10k、UAV123、OTB-100 和 LaSOT 在内的挑战性基准上的实验表明，所提出的 SiamGAT 优于许多最先进的跟踪器并取得了领先性能。代码见：https://git.io/SiamGAT
引用
@article{arxiv.2011.11204,
title = {Graph Attention Tracking},
author = {Dongyan Guo and Yanyan Shao and Ying Cui and Zhenhua Wang and Liyan Zhang and Chunhua Shen},
journal= {arXiv preprint arXiv:2011.11204},
year = {2020}
}