SiamRCR：面向视觉目标跟踪的互易分类与回归
计算机视觉与模式识别
2021-07-20 v4
摘要
近年来，大多数基于孪生网络（siamese network）的跟踪器通过目标分类与边界框回归来定位目标。通常，它们将分类置信度最大的边界框选为最终预测。该策略可能因分类与回归之间的精度错位而遗漏正确结果。本文提出一种新颖的孪生跟踪算法 SiamRCR，以简单、轻量且有效的方案解决此问题。它在分类与回归分支之间建立互易链接，可对每个正样本动态重加权其损失。此外，我们增加了一个定位分支来预测定位精度，从而使其在推理时可作为回归辅助链接的替代。该分支使训练与推理更加一致。大量实验结果表明 SiamRCR 的有效性及其在 GOT-10k、LaSOT、TrackingNet、OTB-2015、VOT-2018 和 VOT-2019 上优于当前最优（SOTA）竞争方法。此外，我们的 SiamRCR 以 65 FPS 运行，远超实时要求。
引用
@article{arxiv.2105.11237,
title = {SiamRCR: Reciprocal Classification and Regression for Visual Object Tracking},
author = {Jinlong Peng and Zhengkai Jiang and Yueyang Gu and Yang Wu and Yabiao Wang and Ying Tai and Chengjie Wang and Weiyao Lin},
journal= {arXiv preprint arXiv:2105.11237},
year = {2021}
}
备注
The 30th International Joint Conference on Artificial Intelligence (IJCAI 2021)