초록
대부분의 딥 트래커는 여전히 시아메즈(Siamese) 패러다임을 따르고 있으며, 컨텍스트 정보 없이 오직 타겟만을 포함하는 템플릿을 사용하여, 큰 외관 변화, 빠른 타겟 이동, 유사한 객체들의 유인에 대처하기 어려운 문제를 가지고 있습니다. 이러한 문제를 완화하기 위해, 우리는 장기 프레임에서 타겟과 그 컨텍스트에 대한 광범위한 정보 융합을 수행하고, 타겟 특징을 강화하면서 타겟 상관관계를 계산할 수 있는 장기 컨텍스트 주의(LCA) 모듈을 제안합니다. 완전한 컨텍스트 정보는 타겟의 위치뿐만 아니라 타겟 주변의 상태도 포함합니다. LCA는 이전 프레임에서의 타겟 상태를 사용하여 유사한 객체들과 복잡한 배경의 간섭을 배제함으로써, 타겟을 정확하게 위치시키고 트래커가 더 높은 견고성과 회귀 정확도를 얻도록 합니다. 또한, 우리는 추가적인 계산 부담 없이 역사적 정보의 분류 신뢰도를 기반으로 하는 동적 온라인 업데이트 알고리즘을 제안합니다. 우리의 트래커는 여러 벤치마크에서 최상의 성능을 달성하였으며, LaSOT에서는 71.1% AUC, 89.3% NP, 73.0% AO를 기록하였습니다. 코드와 학습된 모델은 https://github.com/hekaijie123/TATrack 에서 제공됩니다.