摘要
近年来，暹罗网络在视觉跟踪领域受到了广泛关注，因其在准确性和速度之间取得了良好的平衡。然而，大多数暹罗跟踪方法所使用的特征只能区分前景与非语义背景。语义背景通常被视为干扰因素，这限制了暹罗跟踪器的鲁棒性。本文专注于学习抗干扰的暹罗网络，以实现准确且长期的跟踪。为此，首先对传统暹罗跟踪器中使用的特征进行了分析。我们观察到，训练数据分布的不平衡使得学习到的特征辨别能力较弱。在离线训练阶段，引入了一种有效的采样策略来控制这一分布，并使模型更加关注语义干扰因素。在推理过程中，设计了一个新颖的抗干扰模块以进行增量学习，该模块可以有效地将通用嵌入转换到当前视频域。此外，通过引入一种简单而有效的局部到全局搜索区域策略，我们将所提出的方法扩展到了长期跟踪应用中。大量实验表明，我们的方法显著优于现有最先进方法，在VOT2016数据集上相对提升了9.6%，在UAV20L数据集上相对提升了35.9%。所提出的跟踪器在短期基准测试中可达到160帧每秒（FPS）的速度，在长期基准测试中可达到110帧每秒（FPS）的速度。