用于视觉跟踪的鲁棒目标建模

目标建模已成为近期跟踪框架的核心部分。当前流行的跟踪器使用 Transformer 注意力来单独或与搜索区域交互地提取模板特征。然而，单独的模板学习缺乏模板与搜索区域之间的通信，这给提取有判别力的面向目标的特征带来困难。另一方面，交互式模板学习产生混合模板特征，可能通过杂乱的搜索区域向模板引入潜在干扰物。为兼顾两种方法之长，我们提出一种用于视觉跟踪的鲁棒目标建模框架（ROMTrack），其同时建模固有模板与混合模板特征。结果，通过将目标对象的固有特征与搜索区域引导相结合，有害干扰物可被抑制。目标相关特征也可利用混合模板提取，从而形成更鲁棒的目标建模框架。为进一步增强鲁棒性，我们提出新颖的变化令牌以刻画目标对象不断变化的外观。变化令牌可适应目标形变与外观变化，能以可忽略的计算量提升整体性能。实验表明，我们的 ROMTrack 在多个基准上确立了新的最先进水平。