本文提出6个用于Siamese目标跟踪的新匹配算子，基于Ocean进行改进，表现SOTA！性能优于KYS、SiamBAN等网络，速度高达50 FPS！代码即将开源！
跟踪近年来取得了突破性的性能，其本质是高效匹配算子互相关及其变体。除了显著的成功之外，重要的是要注意启发式匹配网络设计在很大程度上依赖于专家经验。此外，我们通过实验发现，在所有具有挑战性的环境中，一个唯一的匹配算子很难保证稳定跟踪。因此，在这项工作中，我们从特征融合的角度而不是显式相似性学习的角度引入了六种新颖的匹配算子，即串联、逐点加法、成对关系、FiLM、简单Transformer和转导引导，以探索更多的可行性匹配运算符选择。分析揭示了这些算子对不同环境退化类型的选择性适应性，这激励我们将它们结合起来探索互补的特征。为此，我们提出二进制通道操作（BCM）来搜索这些算子的最佳组合。BCM 通过学习其对其他跟踪步骤的贡献来决定重新训练或丢弃一个算子。通过将学习到的匹配网络插入到强大的基线跟踪器 Ocean 中，我们的模型在 OTB100、LaSOT 和 TrackingNet 上分别获得了 67.2→71.4、52.6→58.3、70.3→76.0 的有利增益。值得注意的是，我们的跟踪器称为 AutoMatch，使用的训练数据/时间比基线跟踪器少一半，并且使用 PyTorch 以 50 FPS 运行。
https://www.zhuanzhi.ai/paper/d9f8991dc443b0e2626a5478daf291c8
成为VIP会员查看完整内容
Learn to Match: Automatic Matching Network Design for Visual Tracking
相关内容
标跟踪是指：给出目标在跟踪视频第一帧中的初始状态（如位置，尺寸），自动估计目标物体在后续帧中的状态。
目标跟踪分为单目标跟踪和多目标跟踪。
人眼可以比较轻松的在一段时间内跟住某个特定目标。但是对机器而言，这一任务并不简单，尤其是跟踪过程中会出现目标发生剧烈形变、被其他目标遮挡或出现相似物体干扰等等各种复杂的情况。过去几十年以来，目标跟踪的研究取得了长足的发展，尤其是各种机器学习算法被引入以来，目标跟踪算法呈现百花齐放的态势。2013年以来，深度学习方法开始在目标跟踪领域展露头脚，并逐渐在性能上超越传统方法，取得巨大的突破。
Arxiv
0+阅读 · 2021年10月2日
Arxiv
0+阅读 · 2021年10月1日
相关VIP内容
相关资讯
相关论文
Arxiv
0+阅读 · 2021年10月2日
Arxiv
0+阅读 · 2021年10月1日
微信扫码咨询专知VIP会员