学习长期跟踪器得分的空间分布
计算机视觉与模式识别
2023-08-03 v1
摘要
长期跟踪是计算机视觉中的热门话题。在此背景下，每年都有具有竞争力的模型被提出，其性能呈现持续增长，主要通过 Visual Object Tracking (VOT) 和 Object Tracking Benchmark (OTB) 等标准化协议衡量。融合跟踪器策略在过去几年中被应用于克服已知的重检测问题，成为一个重要突破。遵循该方法，本工作旨在将融合概念推广到流水线中用作基线跟踪器的任意数量跟踪器，利用学习阶段更好地理解各输出之间如何相互关联，即使在没有目标时也是如此。文中将证明一个模型与数据无关猜想，当从 VOT-LT2022 学习时在 LTB-50 数据集上取得 0.738 的召回率，反转两个数据集时取得 0.619。两种情况下，结果都与 state-of-the-art 极具竞争力，且召回率位居第一。
引用
@article{arxiv.2308.01256,
title = {Learning Spatial Distribution of Long-Term Trackers Scores},
author = {Vincenzo Mariano Scarrica and Antonino Staiano},
journal= {arXiv preprint arXiv:2308.01256},
year = {2023}
}
备注
20 pages, 11 figures, 3 tables