利用时空特征编码的单目标跟踪网络
目的 随着深度神经网络的出现,视觉跟踪快速发展,视觉跟踪任务中的视频时空特性,尤其是时序外观一致性(temporal appearance consistency)具有巨大探索空间.本文提出一种新颖简单实用的跟踪算法——时间感知网络(temporal-aware network,TAN),从视频角度出发,对序列的时间特征和空间特征同时编码.方法 TAN内部嵌入了一个新的时间聚合模块(temporal aggregation module,TAM)用来交换和融合多个历史帧的信息,无需任何模型更新策略也能适应目标的外观变化,如形变、旋转等.为了构建简单实用的跟踪算法框架,设计了一种目标估计策略,通过检测目标的4个角点,由对角构成两组候选框,结合目标框选择策略确定最终目标位置,能够有效应对遮挡等困难.通过离线训练,在没有任何模型更新的情况下,本文提出的跟踪器TAN通过完全前向推理(fully feed-forward)实现跟踪.结果 在 OTB(online object tracking:a benchmark)50、OTB100、TrackingNet、LaSOT(a high-quality benchmark for large-scale single object tracking)和 UAV(a benchmark and simulator for UAV tracking)123 公开数据集上的效果达到了小网络模型的领先水平,并且同时保持高速处理速度(70帧/s).与多个目前先进的跟踪器对比,TAN在性能和速度上达到了很好的平衡,即使部分跟踪器使用了复杂的模板更新策略或在线更新机制,TAN仍表现出优越的性能.消融实验进一步验证了提出的各个模块的有效性.结论 本文提出的跟踪器完全离线训练,前向推理不需任何在线模型更新策略,能够适应目标的外观变化,相比其他轻量级的跟踪器,具有更优的性能.
计算机视觉、目标跟踪、时空特征编码、任意目标跟踪、角点跟踪、时序外观一致性、高速跟踪
27
TP391(计算技术、计算机技术)
国家自然科学基金61836015
2022-09-27（万方平台首次上网日期，不代表论文的发表时间）
共16页
2733-2748
