在线目标分类及自适应模板更新的孪生网络跟踪算法

摘要

针对孪生网络跟踪算法在离线训练阶段学习被跟踪目标和其他对象的嵌入式特征,而这些特征缺少特定于目标的上下文信息,使跟踪算法的稳健性较差的问题,以SiamRPN++作为基准算法,提出了在线目标分类及自适应模板更新的孪生网络跟踪算法.首先,在离线训练阶段设计了互相关特征图监督模块,以学习更具判别力的嵌入式特征;其次,在线跟踪阶段设计了包含注意力机制的在线目标分类模块,在该模块中使用在线滤波器更新策略滤除背景噪声干扰;最后,设计了一种自适应模板更新模块,使用UpdateNet更新目标模板信息.在VOT2018、VOT2019这2个标准数据集上的实验结果验证了所提算法的有效性,相比基准算法SiamRPN++分别带来13.5％和18.2％(EAO)的性能提升.