基于分割的鲁棒视觉跟踪
计算机视觉与模式识别
2022-07-21 v2
摘要
估计目标范围在视觉目标跟踪中是一项根本挑战。通常，跟踪器以边界框为中心，完全依赖边界框来定义场景中的目标。实际上，物体常具有复杂形状且不与图像轴对齐。在这些情况下，边界框不能提供对目标的准确描述，且往往包含大部分背景像素。我们提出一种以分割为中心的跟踪流程，其不仅产生高精度的分割掩码，且在内部以分割掩码而非边界框进行处理。因此，我们的跟踪器能够更好地学习目标表示，从而清晰区分场景中的目标与背景内容。为在挑战性跟踪场景中达到必要鲁棒性，我们提出一个独立的实例定位组件，用于在生成输出掩码时调节分割解码器。我们从分割掩码推断边界框，在挑战性跟踪数据集上验证跟踪器，并在LaSOT上以69.7%的成功AUC分数取得新的state of the art。由于大多数跟踪数据集不含掩码标注，我们无法用其评估预测分割掩码。作为替代，我们在两个流行的视频目标分割数据集上验证分割质量。
引用
@article{arxiv.2203.11191,
title = {Robust Visual Tracking by Segmentation},
author = {Matthieu Paul and Martin Danelljan and Christoph Mayer and Luc Van Gool},
journal= {arXiv preprint arXiv:2203.11191},
year = {2022}
}
备注
Accepted at ECCV 2022. Code and trained models are available at: https://github.com/visionml/pytracking