.png){kind=icon}
返回
Learning Precise Mask Representation for Siamese Visual Tracking
.png){kind=icon}
OA
AI
DOI：10.3390/s25185743.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
孪生网络跟踪器因高效的特征学习而在视觉目标跟踪领域是一种主流范式。然而，大多数孪生跟踪器仅限于边界框跟踪格式，这往往难以准确描述具有复杂形变的非刚性目标的形貌。此外，由于边界框常包含过多的背景像素，跟踪器对相似的干扰物较为敏感。为解决这些问题，我们提出了一种新颖的分割辅助模型，用于学习目标的二进制掩码表示。该模型具有通用性，可无缝集成到各种孪生网络框架中，实现像素级分割跟踪，而非次优的边界框跟踪。具体而言，我们的模型包含两个核心组件：(i) 由级联U-Net解码器组成的分阶段精确掩码表示模块，用于预测目标的分割掩码；(ii) 基于欧几里得模型显著区域定位头，用于提取空间位置约束以增强解码器的判别能力。在五个跟踪基准上的大量实验表明，我们的方法有效提升了锚点基和锚点无关孪生跟踪器的性能。值得注意的是，在GOT-10k数据集上，我们的方法将基准跟踪器SiamRPN++（锚点基）和SiamBAN（锚点无关）的AO分数分别提升了5.2%和7.5%，同时保持超过60 FPS的速度。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
暂无机构信息
引用论文
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测OAAI
OAAI分享收藏
Improved Fully Convolutional Siamese Networks for Visual Object Tracking Based on Response Behaviour Analysis.png)
SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏U2-Net: Going deeper with nested U-structure for salient object detectionU2-Net: 基于嵌套U结构的显著性目标检测PATTERN RECOGNITIONOAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容