基于孪生跟踪器的实时模板更新网络

摘要

视觉目标跟踪已成为近年来的研究热点,许多基于孪生网路(Siamese Network)结构的跟踪器已经在多个公开测试集上实现了优越的性能.但是,大多数Siamese跟踪器默认将视频序列的第一帧作为模板帧,并且在后续跟踪过程中不会对模板进行针对性的更新.当视频中目标快速移动,发生变形或部分被遮挡时,跟踪器容易发生跟踪漂移.为了解决这一问题,提出了一种创新性的自适应模板更新网络(Adaptive Template Update Network,ATUNet),该网络将目标在不同时刻的模板包括初始模板、累积模板和预测模板作为帧残模块的输入,以更新在当前帧中所需要的模板.此外,在网络的训练过程中引入了N步迭代训练,以避免烦琐和低效的训练过程.ATUNet可以直接集成到现有的Siamese跟踪器中,通过将其应用于三个Siamese跟踪器(SiamFC、SiamRPN和SiamDW)来证明所提方法的有效性.在VOT2016和VOT2017数据集上进行的大量实验表明,ATUNet有效地预测了当前时刻的目标模板,效果优于现阶段跟踪器普遍使用的线性更新策略.