无锚框的难负样本强调跟踪器

基于孪生网络(Siamese network)的跟踪器因其在精度与速度之间的平衡而取得了巨大成功。然而,随着跟踪场景日益复杂,大多数现有的基于孪生网络的方法忽略了在跟踪阶段区分跟踪目标与难负样本这一问题的处理。这些网络学习到的特征缺乏判别性,显著削弱了基于孪生网络的跟踪器的鲁棒性并导致次优性能。为解决该问题,我们提出了一种简单而高效的难负样本强调方法,其约束孪生网络学习感知难负样本的特征并增强嵌入特征的判别性。通过距离约束,我们强制缩短样本向量与正样本向量之间的距离,同时增大样本向量与难负样本向量之间的距离。此外,我们探索了一种以逐像素预测方式实现的新型无锚框跟踪框架,该框架通过充分利用卷积神经网络的表征能力,可显著减少超参数数量并简化跟踪流程。在六个标准基准数据集上的大量实验表明,所提方法相比当前最先进的方法取得了良好的结果。