モデル予測の変換による追跡

最適化に基づく追跡手法は、目標モデル予測モジュールを統合することにより、目的関数の最小化を通じて効果的な全体的な推論を提供し、広範な成功を収めています。この帰納的バイアスは重要な領域知識を組み込む一方で、追跡ネットワークの表現力を制限しています。本研究では、そのような制限を克服するために、Transformerベースのモデル予測モジュールを用いた追跡アーキテクチャを提案します。Transformerは少ない帰納的バイアスで全体的な関係性を捉えることができ、より強力な目標モデルの予測学習が可能となります。さらに、モデル予測器を拡張して、正確なバウンディングボックス回帰に適用される第二セットの重みを推定するようにしました。これにより、提案された追跡器は訓練フレームとテストフレームの情報を用いてすべての重みを伝導的に予測します。我々は提案した追跡器をエンドツーエンドで訓練し、複数の追跡データセットでの包括的な実験を通じてその性能を検証しました。我々の追跡器は3つのベンチマークにおいて新たな最先端の成果を達成し、困難なLaSOTデータセットにおいてAUC（Area Under Curve）68.5%という成績を記録しました。