摘要
近年来，视觉跟踪的鲁棒性取得了令人瞩目的改进，但跟踪精度的提升却相对有限。尽管研究重点已转向开发强大的分类器，但对于目标状态精确估计的问题却关注不足。实际上，大多数跟踪器依赖于简单的多尺度搜索来估计目标边界框。我们认为这种方法本质上存在局限性，因为目标估计是一项复杂的任务，需要对对象具有高层次的知识。为了解决这一问题，我们提出了一种新颖的跟踪架构，该架构由专门的目标估计和分类组件组成。通过广泛的离线学习，高层次知识被整合到目标估计中。我们的目标估计组件经过训练，可以预测目标对象与其估计边界框之间的重叠程度。通过仔细整合特定目标的信息，我们的方法实现了前所未有的边界框精度。此外，我们引入了一个在线训练的分类组件，以确保在存在干扰物的情况下具有高辨别能力。最终的跟踪框架在五个具有挑战性的基准测试中树立了新的行业标准。在新的大规模TrackingNet数据集上，我们的跟踪器ATOM相对于之前最佳的方法实现了15%的相对增益，并且运行速度超过每秒30帧（FPS）。代码和模型可在https://github.com/visionml/pytracking 获取。