NCSiam:通过邻居共识进行可靠匹配,用于基于语的对象跟踪

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 准确的视觉对象跟踪对于许多AI应用程序至关重要.
• 目前基于语的追踪器由于相似性地图生成的局限性而陷入错误匹配的困境.
• 现有的方法在追踪过程中经常丢弃有价值的外观和语义信息.

研究的目的:

• 提出一种基于语的新型追踪器NCSiam,它通过使用邻里共识约束来完善相似性地图.
• 通过分析更大的场景背景,增强跟踪目标和分心器之间的区分能力.
• 为了利用语义信息并改进表示学习以实现更强大的对象跟踪.

主要方法:

• 开发了一个基于社区共识约束的语追踪器 (NCSiam).
• 引入了基于4D卷积的多层相似性精细化 (MLSR) 策略来分析社区共识模式.
• 包含一个外观亲和解码器 (AAD) 来利用语义信息和一个特定任务解 (TSD) 模块来解嵌入.

主要成果:

• NCSiam在视觉对象跟踪准确度方面取得了显著的改进.
• 通过分析邻里共识,MLSR战略有效地改进了相似性地图.
• AAD和TSD模块增强追踪器区分目标和分心器的能力,并利用语义信息.

结论:

• NCSiam通过解决相似地图改进的局限性,为视觉对象跟踪提供了一种新且有效的方法.
• 拟议的社区共识约束显著提高了跟踪的稳定性和准确性.
• 在六个具有挑战性的基准测试中的实验结果验证了NCSiam方法的优越性.