摘要
基于锚框（anchor-based）的孪生追踪器在精度方面已取得显著进展，但其进一步提升受限于追踪鲁棒性的滞后。我们发现，其根本原因在于：在基于锚框的方法中，回归网络仅在正样本锚框（即IoU ≥ 0.6）上进行训练。这一机制导致对与目标物体重叠度较低的锚框难以进行有效优化。为此，本文提出一种新型的、面向目标的无锚框（anchor-free）网络以解决该问题。首先，我们摒弃对参考锚框的迭代修正，转而以无锚框的方式直接预测目标物体的位置与尺度。由于真实标注框中的每个像素均经过充分训练，因此在推理阶段，追踪器能够有效校正目标预测的不准确性。其次，我们引入一个特征对齐模块，从预测的边界框中学习具有目标感知能力的特征表示。该目标感知特征可进一步提升对目标与背景的分类性能。此外，我们构建了一种基于无锚框模型的新型追踪框架。实验结果表明，所提出的无锚框追踪器在五个主流基准数据集（包括VOT-2018、VOT-2019、OTB-100、GOT-10k和LaSOT）上均达到了当前最优性能。代码已开源，地址为：https://github.com/researchmm/TracKit。