基于一次性上下文感知域自适应的在线视觉跟踪

在线学习策略通过学习目标特定的线索，使视觉跟踪器对各类失真更具鲁棒性。然而，采用该策略的跟踪器未能充分利用背景区域的判别性上下文。此外，由于每个时间步缺乏充足数据，在线学习方法还会使跟踪器易于过拟合到背景区域。本文中，我们提出一种域自适应方法来增强语义背景上下文的贡献。该域自适应方法仅以一个现成的深度模型为骨干。所提方法的优势源于其处理严重遮挡与背景杂波挑战的判别能力。我们进一步引入一种代价敏感损失，缓解非语义背景候选对语义候选的支配，从而应对数据不平衡问题。实验结果表明，与最先进的跟踪器相比，我们的跟踪器以实时速度取得了具有竞争力的结果。