HIPTrack : Suivi visuel avec des invites historiques

Les suiveurs basés sur le paradigme Siamese exploitent la correspondance de similarité entre les caractéristiques de la région modèle et celles de la région de recherche pour le suivi. De nombreuses méthodes ont été explorées afin d'améliorer les performances du suivi en intégrant l'historique du suivi, afin de mieux gérer des scénarios présentant des variations d'apparence cible, telles que la déformation ou l'occlusion. Toutefois, l'utilisation des informations historiques dans les méthodes existantes est insuffisante et incomplète, et elle nécessite généralement un entraînement répétitif tout en introduisant une charge computationnelle importante. Dans cet article, nous montrons qu’en fournissant un suiveur suivant le paradigme Siamese avec des informations historiques précises et actualisées, une amélioration significative des performances peut être obtenue sans modification des paramètres du modèle. À partir de ce constat, nous proposons un réseau de prompts historiques qui utilise des masques de foreground historiques affinés ainsi que des caractéristiques visuelles historiques de la cible afin de fournir des prompts complets et précis au suiveur. Nous avons conçu un nouveau suiveur, appelé HIPTrack, basé sur ce réseau de prompts historiques, qui obtient des améliorations substantielles des performances sans nécessiter un nouvel entraînement de tout le modèle. Des expériences ont été menées sur sept jeux de données, et les résultats démontrent que notre méthode dépasse les meilleurs suiveurs actuels sur les jeux de données LaSOT, LaSOText, GOT-10k et NfS. En outre, le réseau de prompts historiques peut être intégré de manière transparente comme un module plug-and-play dans les suiveurs existants, offrant ainsi des améliorations de performance. Le code source est disponible à l’adresse suivante : https://github.com/WenRuiCai/HIPTrack.