通过自适应性自我标签和动态NMS进行学习自我纠正网络,以实现高性能长期跟踪

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 长期的物体跟踪受到严重的外观变化和遮的挑战.
• 现有的追踪器经常因不准确的在线模型更新而遭受累积错误,导致漂移.
• 稳定性需要自我纠正来判断跟踪可靠性和漂移后重新捕获目标.

研究的目的:

• 引入基于网络的自我纠正长期追踪器 (SCLT) 以提高稳定性.
• 开发一个跟踪可靠性评估器 (STRE) 和一个建议后处理器 (SPPP),用于目标捕获.
• 解决现有的长期追踪方法中的累积错误和漂移问题.

主要方法:

• STRE采用调制子网络和自适应性自我标签,以提供可靠的跟踪分类.
• 该SPPP利用动态非最大压制 (NMS) 在检测漂移时重新捕获目标.
• 拟议的动态NMS可自适应地处理视图和视图外的场景,以准确选择对象框.

主要成果:

• 在具有挑战性的基准数据集 (VOT2021LT,OxUvALT,TLP,LaSOT) 上,SCLT表现优于最先进的长期追踪器.
• STRE和SPPP显示出良好的可运输性,并改善了基线追踪器的性能.
• 广泛的评估证实了在所有措施中提出的自我纠正方法的有效性.

结论:

• 该SCLT有效地减轻漂移,并通过自我校正提高长期跟踪准确性.
• 开发的STRE和SPPP模块在处理具有挑战性的跟踪场景方面取得了重大进展.
• 提出的方法为现实世界的长期物体跟踪应用提供了强大的解决方案.