摘要
当前最先进的跟踪算法仅依赖目标外观模型来在每一帧中定位目标。然而，当出现快速外观变化或存在干扰物等情形时，此类方法容易失效，因为仅依靠目标外观模型难以实现鲁棒的跟踪。在这些情况下，若能获取场景中其他物体的存在及其位置信息，将显著提升跟踪性能。此类场景信息可沿视频序列进行传播，并用于显式规避干扰物或剔除错误的目标候选区域。本文提出一种新型跟踪架构，能够有效利用场景信息进行目标跟踪。我们的跟踪器将此类场景信息表示为密集的局部状态向量，能够编码局部区域是目标、背景还是干扰物等语义信息。这些状态向量在视频序列中逐帧传播，并与外观模型的输出融合，以实现更精确的目标定位。我们的网络通过在视频片段上直接最大化跟踪性能进行端到端训练，从而学会高效利用场景上下文信息。所提出的方法在三个主流跟踪基准上均取得了新的最先进性能，在最新的GOT-10k数据集上达到了63.6%的平均重叠率（AO）得分。