学习滤波：用于鲁棒跟踪的连体关系网络
计算机视觉与模式识别
2021-04-05 v1
摘要
尽管基于连体网络的跟踪器取得了巨大成功，但其在复杂场景下的性能仍不尽如人意，尤其是在存在干扰物时。为此，我们提出了一种新颖的连体关系网络，其引入了两个高效模块，即关系检测器（RD）和精炼模块（RM）。RD 以元学习的方式获得从背景中滤除干扰物的学习能力，而 RM 旨在将所提出的 RD 有效整合进连体框架以生成准确的跟踪结果。此外，为进一步提升跟踪器的判别力与鲁棒性，我们引入了一种对比训练策略，该策略不仅学习匹配同一目标，还学习如何区分不同物体。因此，我们的跟踪器在面对背景杂乱、快速运动和遮挡时能够取得准确的跟踪结果。在 VOT2018、VOT2019、OTB100、LaSOT 和 UAV123 五个流行基准上的实验结果表明，所提方法有效且能达到最先进的（SOTA）结果。代码将发布于 https://github.com/hqucv/siamrn。
引用
@article{arxiv.2104.00829,
title = {Learning to Filter: Siamese Relation Network for Robust Tracking},
author = {Siyuan Cheng and Bineng Zhong and Guorong Li and Xin Liu and Zhenjun Tang and Xianxian Li and Jing Wang},
journal= {arXiv preprint arXiv:2104.00829},
year = {2021}
}