【AAAI2020】长期跟踪GlobalTrack的论文笔记

文章来源 | 极链AI云（性价比最高的共享算力平台，助力你的技术成长～首次注册可获免费100小时GPU使用时长！官网地址：https://cloud.videojj.com/）

作者 | 小仇【极链AI云技术原创奖励计划】

原文地址 | [长期跟踪]GlobalTrack: A Simple and Strong Baseline for Long-term Tracking论文笔记（官网论坛）

 

目前长期跟踪算法主要分为基于全局和局部搜索交替的追踪算法和全部全局搜索的追踪算法。这里简单介绍AAAI2020提出的一个算法GlobalTrack。

 

1. 核心思想
目前SOTA算法追踪失败的情况往往是由于物体突然的位置和尺度变化，长时间消失和外观变化。GlobalTrack关键思想是消除局部位置假设，并使跟踪器可以在任意位置和比例尺上搜索目标，从而避免长期跟踪过程中的累积误差。

2. 网络架构
提出两个检测器，一个用于提取模板帧中特征，另一个用于定位搜索帧中物体位置。类似Faster RCNN中RPN和RCNN的Query guded RPN和Query Guided RCNN。提出cross query loss用于使用不同的查询搜索同一张图像并平均其预测损失来提高我们的模型对查询和预测输出之间关系的认识并提高我们方法对干扰物（distractors）的判别能力。

3. 实验结果
本文实验基于LaSOT，TrackingNet，TLP数据集。PyTorch源代码链接：https://github.com/huanglianghua/GlobalTrack
LaSOT数据集与SOTA模型比较结果

TLP数据集与追踪模型比较结果：

TrackingNet数据集与追踪模型比较结果：

想要认识更多深度学习小伙伴，交流更多技术问题，欢迎关注公众号“极链AI云”（为你提供性价比最高的共享算力平台，官网地址：https://cloud.videojj.com/）