具有两阶段一次性学习能力的可更新孪生跟踪器
计算机视觉与模式识别
2021-05-03 v1 人工智能
摘要
离线孪生网络已取得非常有前景的跟踪性能，尤其在精度与效率方面。然而，由于无法在线更新，它们常在复杂场景中跟踪失败。传统更新器难以处理对象的不规则变化与采样噪声，因此采用它们来更新孪生网络风险颇高。本文中，我们首先提出一种两阶段一次性学习器，其可利用来自不同阶段的对象样本预测主分类器的局部参数。然后，基于该学习器（SiamTOL）提出一种可更新孪生网络，其能够自行补充在线更新。具体而言，我们引入一个额外的输入分支来顺序捕获最新对象特征，并设计残差模块利用这些特征更新初始模板。此外，为我们的网络设计了有效的多方位训练损失以避免过拟合。在包括OTB100、VOT2018、VOT2019、LaSOT、UAV123和GOT10k在内的多个流行基准上的大量实验结果表明，所提跟踪器取得了领先性能并优于其他最先进方法。
引用
@article{arxiv.2104.15049,
title = {Updatable Siamese Tracker with Two-stage One-shot Learning},
author = {Xinglong Sun and Guangliang Han and Lihong Guo and Tingfa Xu and Jianan Li and Peixun Liu},
journal= {arXiv preprint arXiv:2104.15049},
year = {2021}
}