目标跟踪中基于IoU和中心点距离预测的尺度估计

摘要：

通过分析基于交并比(Intersection over union,IoU)预测的尺度估计模型的梯度更新过程,发现其在训练和推理过程仅将IoU作为度量,缺乏对预测框和真实目标框中心点距离的约束,导致外观模型更新过程中模板受到污染,前景和背景分类时定位出现偏差.基于此发现,构建了一种结合IoU和中心点距离的新度量NDIoU(Normalization distance IoU),在此基础上提出一种新的尺度估计方法,并将其嵌入判别式跟踪框架.即在训练阶段以NDIoU为标签,设计了具有中心点距离约束的损失函数监督网络的学习,在线推理期间通过最大化NDIoU微调目标尺度,以帮助外观模型更新时获得更加准确的样本.在七个数据集上与相关主流方法进行对比,所提方法的综合性能优于所有对比算法.特别是在GOT-10k数据集上,所提方法的AO、SR0.50和SR0.75三个指标达到了 65.4％、78.7％和53.4％,分别超过基线模型4.3％、7.0％和4.2％.

关键词：目标跟踪、交并比、尺度估计、中心点距离

所属期刊栏目：50

分类号：TP391.41;TN925.93;TP242

在线出版日期：2024-09-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：1646-1659