초록
머신 러닝이 시각적 객체 추적 작업에 광범위하게 도입되었음에도 불구하고, 최근의 학습 기반 접근 방식은 시각적 추적이 본질적으로 시퀀스 수준의 작업임을 크게 간과하고 있습니다. 이러한 방법들은 프레임 수준의 훈련에 크게 의존하여, 데이터 분포와 작업 목표 측면에서 훈련과 테스트 사이의 불일치를 불가피하게 초래합니다. 본 연구에서는 강화 학습을 기반으로 한 시퀀스 수준의 훈련 전략을 소개하며, 데이터 샘플링, 학습 목표, 데이터 증강의 시퀀스 수준 설계가 추적 알고리즘의 정확도와 견고성을 어떻게 개선할 수 있는지 논의합니다. LaSOT, TrackingNet, GOT-10k 등 표준 벤치마크에서 수행한 실험 결과는 SiamRPN++, SiamAttn, TransT, TrDiMP 네 가지 대표적인 추적 모델이 구조를 수정하지 않고 제안된 방법을 훈련에 통합함으로써 일관되게 개선됨을 보여줍니다.