시각 객체 추적을 위한 방해자 인식 시아메즈 네트워크

최근 시아메즈 네트워크는 그들의 균형 잡힌 정확성과 속도로 인해 시각 추적 분야에서 큰 주목을 받고 있습니다. 그러나 대부분의 시아메즈 추적 접근 방식에서 사용되는 특징들은 전경과 비의미적 배경만을 구분할 수 있습니다. 의미적인 배경은 항상 방해 요소로 간주되어, 이는 시아메즈 추적기의 견고성을 저해합니다. 본 논문에서는 정확하고 장기적인 추적을 위해 방해 요소를 인지하는 시아메즈 네트워크 학습에 초점을 맞춥니다. 이를 위해 먼저 기존의 시아메즈 추적기에 사용되는 특징들을 분석합니다. 우리는 훈련 데이터의 불균형한 분포가 학습된 특징들의 구분력을 낮추는 것을 관찰하였습니다. 오프라인 훈련 단계에서는 이러한 분포를 제어하고 모델이 의미적인 방해 요소에 집중하도록 하는 효과적인 샘플링 전략을 소개합니다. 추론 과정에서는 일반적인 임베딩을 현재 비디오 영역으로 효과적으로 전환할 수 있는 새로운 방해 요소 인지 모듈을 설계하였습니다. 또한, 단순하면서도 효과적인 지역-전체 검색 영역 전략을 도입하여 제안된 접근 방식을 장기 추적에 확장하였습니다. 벤치마크에서 수행된 광범위한 실험 결과, 우리의 접근 방식이 최신 기술보다 크게 우수함을 보여주며, VOT2016 데이터셋에서는 상대적으로 9.6%의 성능 향상, UAV20L 데이터셋에서는 35.9%의 성능 향상을 나타냈습니다. 제안된 추적기는 단기 벤치마크에서 160 FPS, 장기 벤치마크에서 110 FPS로 작동할 수 있습니다.