트래킹을 위한 특성 학습과 관계 모델링: 단일 스트림 프레임워크

현재 인기 있는 두 스트림, 두 단계 추적 프레임워크는 템플릿과 검색 영역의 특징을 별도로 추출한 후 관계 모델링을 수행하므로, 추출된 특징이 대상에 대한 인식이 부족하고 대상-배경 구분력이 제한적입니다. 이러한 문제를 해결하기 위해, 우리는 템플릿-검색 이미지 쌍을 양방향 정보 흐름으로 연결하여 특징 학습과 관계 모델링을 통합하는 새로운 단일 스트림 추적 (OSTrack) 프레임워크를 제안합니다. 이 방법으로 상호 지도를 통해 차별화된 대상 중심 특징을 동적으로 추출할 수 있습니다. 추가적인 무거운 관계 모델링 모듈이 필요하지 않고 구현이 높은 병렬화를 이루므로, 제안된 추적기는 빠른 속도로 작동합니다. 추론 효율성을 더욱 개선하기 위해, 단일 스트림 프레임워크에서 계산된 강력한 유사성 사전 정보를 기반으로 네트워크 내부 후보 조기 제거 모듈을 제안하였습니다. 통합 프레임워크로서, OSTrack는 여러 벤치마크에서 최고 성능을 달성하며 특히 한 번만 보고 추적하는 벤치마크인 GOT-10k에서 뛰어난 결과를 보여주었습니다. 즉, 73.7%의 AO(Average Overlap) 성능을 달성하여 기존 최고 결과(SwinTrack)보다 4.3% 개선되었습니다. 또한, 우리의 방법은 성능과 속도 사이의 좋은 균형을 유지하며 더 빠른 수렴성을 보입니다. 코드와 모델은 https://github.com/botaoye/OSTrack에서 제공됩니다.