GradNet: Gradient-Guided Network for Visual Object Tracking

摘要

本文针对Siamese网络系列算法在跟踪过程中不更新模板，在目标发生巨大形变或背景干扰下，无法及时捕捉目标外观变化的问题进行改进，旨在在线更新Siamese网络的模板。具体地，本文提出一个基于梯度信息的跟踪网络，通过前向传播和反向传播来更新当前帧的模板，并为了避免过拟合，利用多个视频序列的视频帧进行模板的训练，使得模板更具泛化性。在文中作者指出，这是第一篇将梯度信息应用到模板更新的paper。

背景

通常，单目标跟踪是指给给定第一帧任意一个目标状态（目标位置和尺度大小）的前提，预测该目标在后续帧的运动轨迹。在跟踪领域，Siamese系列算法是一大主流算法。Siamese算法通过计算模板图片和当前跟踪图片的cross-correlation来评估二者的相似性，相似性最高的区域作为当前跟踪的目标位置。这里的模板是第一帧标定的跟踪目标，在后续跟踪中不进行更新，这一方面确保了模板的可靠性，一方面在目标发生巨大形变或者面临背景干扰等挑战，与第一帧标定的目标从外观上已经无法准确匹配时，就可能发生跟踪漂移。

贡献

那么，本文的出发点就是利用梯度信息来自适应更新模板，从而确保网络通过cross-correlation计算相似性来准确跟踪目标。此外，本文还提出一个模板泛化方法，确保利用梯度信息而不是模板的外观信息来进行模板更