GradNet : Réseau guidé par le gradient pour le suivi d'objets visuels

Le réseau siamois entièrement convolutif fondé sur le matching de modèles a démontré un grand potentiel dans le suivi visuel. Lors du test, le modèle reste fixe, basé sur les caractéristiques initiales de la cible, et les performances dépendent entièrement de la capacité générale de correspondance du réseau siamois. Toutefois, cette approche ne permet pas de capturer les variations temporelles de la cible ni les perturbations du fond. Dans ce travail, nous proposons un nouveau réseau guidé par le gradient afin d’exploiter l’information discriminative contenue dans les gradients et de mettre à jour le modèle dans le réseau siamois grâce à des opérations d’avant et d’arrière propagation. Notre algorithme effectue des opérations d’avant et d’arrière propagation pour exploiter l’information discriminative des gradients et capter l’attention centrale portée sur la cible. Plus précisément, l’algorithme peut utiliser les informations provenant des gradients pour actualiser le modèle dans le cadre courant. En outre, une méthode d’apprentissage de généralisation du modèle est proposée afin d’utiliser de manière plus efficace les informations issues des gradients et d’éviter le surapprentissage. À notre connaissance, ce travail constitue la première tentative d’exploiter les informations contenues dans les gradients pour la mise à jour du modèle dans les traqueurs basés sur les réseaux siamois. Des expériences étendues sur des benchmarks récents montrent que notre méthode atteint des performances supérieures à celles des autres traqueurs de pointe.