学习目标候选关联以持续跟踪不应跟踪之物
计算机视觉与模式识别
2021-08-19 v2
摘要
存在与跟踪目标极其相似、令人混淆的物体，是基于外观的视觉跟踪中的根本挑战。此类干扰物很容易被误分类为目标本身，导致最终的跟踪失败。虽然多数方法力求通过更强大的外观模型来抑制干扰物，我们采取了另一种思路。我们提议对干扰物进行持续跟踪，以便继续跟踪目标。为此，我们引入了一个可学习的关联网络，使得我们能够将全部目标候选的身份从一帧传播到下一帧。为解决视觉跟踪中干扰物之间缺乏真实对应标注的问题，我们提出了一种将部分标注与自监督相结合的训练策略。我们在多个具有挑战性的数据集上对所提方法进行了全面的实验验证与分析。我们的跟踪器在六个基准上树立了新 SOTA，在 LaSOT 上取得 67.1% 的 AUC 分数，并在 OxUvA 长期数据集上获得 +5.8% 的绝对提升。
引用
@article{arxiv.2103.16556,
title = {Learning Target Candidate Association to Keep Track of What Not to Track},
author = {Christoph Mayer and Martin Danelljan and Danda Pani Paudel and Luc Van Gool},
journal= {arXiv preprint arXiv:2103.16556},
year = {2021}
}
备注
Accepted at ICCV 2021. The code and trained models are available at https://github.com/visionml/pytracking