UncTrack：基于不确定性感知原型记忆网络的可靠视觉对象跟踪

基于Transformer的跟踪器由于其准确性和效率已取得显著成功，并成为主导的跟踪范式。尽管已取得显著进展，但大多数现有方法将对象跟踪作为确定性坐标回归问题来处理，而忽略了目标局部化不确定性，这阻碍了跟踪器在具有挑战性情景中保持可靠目标状态预测的能力。为此，我们提出UncTrack，一种新颖的不确定性感知Transformer跟踪器，预测目标局部化不确定性并将其用于准确的目标状态推断。具体而言，UncTrack利用Transformer编码器在模板图像和搜索图像之间执行特征交互。输出特征传递到不确定性感知局部化解码器(ULD)以粗略预测基于角的局部化及其对应的局部化不确定性。然后将局部化不确定性输入到原型记忆网络(PMN)中，以挖掘有价值的历史信息以识别目标状态预测是否可靠。为增强模板表示，具有高置信度的样本被反馈到原型记忆库中进行记忆更新，使跟踪器对具有挑战性外观变化更具鲁棒性。广泛的实验表明，我们的方法优于其他其他最先进的方法。我们的代码可在 https://github.com/ManOfStory/UncTrack 查阅。