RTracker : Suivi récupérable via une mémoire structurée en arbre PN

Les méthodes existantes de suivi se concentrent principalement sur l’apprentissage de représentations cibles plus performantes ou sur le développement de modèles de prédiction plus robustes afin d’améliorer les performances de suivi. Bien que les performances de suivi aient considérablement progressé, le problème de perte de cible survient fréquemment en raison d’échecs de suivi, d’occlusion totale ou de sortie du champ de vision. Toutefois, beaucoup moins d’attention est accordée au problème de récupération autonome des méthodes de suivi, qui est pourtant crucial pour les applications pratiques. À cet effet, nous proposons un cadre de suivi récupérable, appelé RTracker, qui utilise une mémoire structurée en arbre pour associer dynamiquement un suiveur et un détecteur, permettant ainsi une capacité de récupération autonome. Plus précisément, nous introduisons une mémoire structurée en arbre Positif-Négatif (PN) afin de stocker et de maintenir chronologiquement des échantillons positifs et négatifs de la cible. À partir de cette mémoire arborescente PN, nous définissons des règles de déplacement correspondantes pour déterminer l’état de la cible, ainsi qu’un ensemble de flux de contrôle pour intégrer le suiveur et le détecteur dans divers scénarios de suivi. L’idée centrale repose sur l’utilisation des échantillons d’appui des catégories cibles positives et négatives pour établir un critère fondé sur la distance relative, permettant une évaluation fiable de la perte de cible. Les résultats prometteurs obtenus sur de nombreuses bases de données exigeantes, en comparaison avec les méthodes de pointe, démontrent l’efficacité de l’algorithme proposé.