目标感知深度跟踪

现有深度跟踪器主要使用为通用目标识别任务预训练的卷积神经网络来提取表示。尽管在许多视觉任务上已取得公认成功，但使用预训练深度特征进行视觉跟踪的贡献不如其在目标识别中的贡献显著。关键问题在于，视觉跟踪中感兴趣的目标可以是任意类别且具有任意形态的对象。因此，预训练深度特征在建模这些任意形态的目标以将其与背景区分时效果较差。本文中，我们提出一种新颖方案来学习目标感知特征，其比预训练深度特征能更好地识别经历显著外观变化的目标。为此，我们设计了一种回归损失和一种排序损失以引导生成目标活跃且尺度敏感的特征。我们根据反向传播的梯度确定每个卷积滤波器的重要性，并基于激活选择目标感知特征来表示目标。目标感知特征与 Siamese 匹配网络集成用于视觉跟踪。大量实验结果表明，所提算法在准确率和速度上均优于当前最优方法。