초록
최근 몇 년간 시각적 객체 추적은 핵심 연구 주제로 부상하였으며, 많은 딥러닝 기반 추적기들이 다양한 벤치마크에서 최첨단 성능을 달성하였다. 그러나 이러한 대부분의 추적기들은 실시간 속도에서 뛰어난 성능을 달성하기 어렵다. 본 논문에서는 대규모 이미지 쌍을 오프라인으로 엔드투엔드 학습하는 시아모이즈 영역 제안 네트워크(Siamese-RPN)를 제안한다. 구체적으로, 특징 추출을 위한 시아모이즈 하위 네트워크와 분류 브랜치 및 회귀 브랜치를 포함하는 영역 제안 하위 네트워크로 구성된다. 추론 단계에서는 제안된 프레임워크를 로컬 원샷 탐지 문제로 재정의한다. 이를 통해 시아모이즈 하위 네트워크의 템플릿 브랜치를 사전에 계산하고, 상관 계층(correlation layers)을 단순한 컨볼루션 계층으로 변환함으로써 온라인 추적을 수행할 수 있다. 제안된 제안 개선 방식 덕분에 기존의 전통적인 다중 스케일 테스트 및 온라인 미세 조정을 제거할 수 있다. Siamese-RPN은 160 FPS의 속도로 작동하면서 VOT2015, VOT2016, VOT2017 실시간 도전 과제에서 최고 수준의 성능을 달성하였다.