모델 예측 변환을 통한 추적

최적화 기반 추적 방법은 목적 함수를 최소화하여 효과적인 전역 추론을 제공하는 대상 모델 예측 모듈을 통합함으로써 널리 성공을 거두었습니다. 이러한 귀납 편향은 귀중한 도메인 지식을 통합하지만, 추적 네트워크의 표현력을 제한합니다. 본 연구에서는 이를 해결하기 위해 트랜스포머 기반의 모델 예측 모듈을 사용하는 추적기 아키텍처를 제안합니다. 트랜스포머는 귀납 편향이 거의 없이 전역 관계를 포착할 수 있어, 더 강력한 대상 모델의 예측을 학습할 수 있습니다. 또한, 우리는 모델 예측기를 확장하여 정확한 바운딩 박스 회귀에 적용되는 두 번째 가중치 집합을 추정하도록 설계하였습니다. 결과적으로 이 추적기는 훈련 프레임과 테스트 프레임 정보를 활용하여 모든 가중치를 전도적으로 예측합니다. 제안된 추적기는 엔드투엔드로 훈련되었으며, 여러 추적 데이터셋에서 포괄적인 실험을 통해 성능을 검증하였습니다. 우리의 추적기는 세 가지 벤치마크에서 새로운 최고 수준의 성능을 달성하였으며, 특히 어려운 LaSOT 데이터셋에서 AUC 68.5%를 기록하였습니다.