GradNet：基于梯度引导的视觉目标跟踪网络

基于模板匹配的全卷积孪生网络在视觉跟踪任务中展现出巨大潜力。在测试阶段，模板固定为初始目标特征，跟踪性能完全依赖于孪生网络的通用匹配能力。然而，这种固定模板的方式难以捕捉目标随时间变化的动态特征或背景杂波的影响。为此，本文提出一种新型的梯度引导网络，通过前向与反向传播操作，挖掘梯度中的判别性信息，并在孪生网络中实现模板的动态更新。该算法通过前向与反向传播机制，有效利用梯度信息，捕捉目标的核心注意力区域。具体而言，算法能够利用当前帧梯度信息对模板进行更新。此外，本文还提出一种模板泛化训练方法，以更充分地利用梯度信息，同时避免模型过拟合。据我们所知，本工作是首次尝试将梯度信息用于基于孪生网络的跟踪器中模板更新的探索。在多个最新基准数据集上的大量实验表明，所提方法在跟踪性能上优于现有主流先进算法。