学习用于孪生视觉跟踪的位置感知目标置信度
计算机视觉与模式识别
2022-05-02 v1
摘要
孪生跟踪范式已取得巨大成功，通过分类与回归提供有效的表观判别与尺寸估计。然而此类范式通常独立优化分类与回归，导致任务错位(准确的预测框没有高的目标置信度分数)。本文为缓解该错位，提出一种称为SiamLA的新跟踪范式。在该范式内，引入一系列简单而有效的位置感知组件，以生成位置感知目标置信度分数。具体而言，借助所提位置感知动态标签(LADL)损失与位置感知标签平滑(LALS)策略，实现了分类与回归的协同优化，使分类分数能感知位置状态，而非仅表观相似度。此外，我们提出一个以位置感知特征聚合(LAFA)模块为中心的独立位置分支，产生位置质量分数以进一步修正分类分数。由此所得目标置信度分数对位置状态更具判别性，使准确预测框倾向于被预测为高分数。在六个具挑战性基准(包括GOT-10k、TrackingNet、LaSOT、TNL2K、OTB100与VOT2018)上进行了充分实验。我们的SiamLA在精度与效率上均达到SOTA性能。此外，稳定性分析揭示我们的跟踪范式相对稳定，表明该范式具有面向实际应用的潜力。
引用
@article{arxiv.2204.14093,
title = {Learning Localization-aware Target Confidence for Siamese Visual Tracking},
author = {Jiahao Nie and Han Wu and Zhiwei He and Yuxiang Yang and Mingyu Gao and Zhekang Dong},
journal= {arXiv preprint arXiv:2204.14093},
year = {2022}
}