摘要
本文针对传统的基于深度卷积特征的目标跟踪算法为了更好适应目标形变,需要进行复杂的优化/更新工作的问题进行改进,旨在保持较高跟踪效果的同时实现跟踪实时性。具体地,本文引入meta-learner网络学习target-specific 特征,与传统的Siamese网络提取的general特征进行融合,得到自适应的目标特征,再进行后续的相似性计算。
背景
传统的基于深度卷积特征的判别性跟踪算法需要对分类器或跟踪滤波器进行复杂的优化/更新工作,从而更好地适应目标的形变,但大多数采用在线更新策略的跟踪算法无法保证跟踪实时性。
贡献
为了缓解求解过程的复杂性,本文基于Siamese匹配网络和meta-learner网络提出一个新的在线跟踪网络。传统的孪生网络学习目标的general feature,meta-learner网络学习target-specific feature,二者融合学习得到自适应的目标特征,同时也保证了跟踪的实时性。
本文方法
本文的网络框架如上图所示,meta-learner网络的设计是基于不同目标的特性可以通过梯度信息进行区分(在上一篇GradNet也有提到),因此,Siamese网络为meta-learner网络提供训练样本关于损失函数的