Suivi d'objets basé sur l'apprentissage par renforcement à partir de réseaux Siamese

Le suivi d’objets est une technique permettant de suivre un objet spécifique apparaissant dans une séquence vidéo tout en observant ses caractéristiques ou ses évolutions. Récemment, de nombreux algorithmes offrant des performances élevées ont émergé en appliquant le réseau Siamese au domaine du suivi d’objets. Un réseau Siamese est conçu pour apprendre la similarité entre deux images. Dans le suivi d’objets, le réseau Siamese localise l’objet en identifiant la région de l’image de recherche la plus similaire à l’image cible. Toutefois, les algorithmes basés sur les réseaux Siamese sont sensibles à l’occlusion partielle ou totale de l’objet. De plus, puisqu’ils ne s’appuient que sur la similarité avec l’image extraite à partir de la boîte englobante ground-truth de la première image, une erreur de suivi une fois commise entraîne une accumulation d’erreurs, conduisant fréquemment à un décalage de l’objet suivi par rapport à l’objet d’intérêt. Ainsi, dans cet article, nous proposons un modèle d’apprentissage par renforcement capable de maximiser la récompense associée au succès du suivi après occlusion partielle ou totale. Nous introduisons également une méthode dynamique d’échange de modèles exploitant un modèle ayant été correctement suivi dans une image récente afin de résoudre le problème de dérive. Lorsqu’il est intégré aux modèles de suivi existants pour évaluer les performances quantitatives sur les benchmarks représentatifs VOT2018 et OTB50, le modèle proposé démontre une amélioration de la précision et une réduction du nombre d’échecs par rapport aux méthodes antérieures. En conséquence, une précision de 0,618, une robustesse de 0,234 et un taux d’intersection moyenne attendu (EAO) de 0,416 sont atteints sur VOT2018, tandis que sur OTB50, un taux de succès de 0,673 et une précision de 0,881 sont obtenus.