학습 주의: 고성능 온라인 시각 추적을 위한 잔차 주의 시엠즈 네트워크

물체 추적을 위한 오프라인 학습은 최근 추적 정확도와 속도 사이의 균형을 잘 이루는 데 큰 잠재력을 보여주고 있다. 그러나 오프라인으로 학습된 모델을 온라인에서 추적 대상에 맞게 적응시키는 것은 여전히 어려운 과제이다. 본 연구는 높은 성능의 물체 추적을 위한 잔차 주의 메커니즘을 갖춘 사이모이즈 네트워크(RASNet)를 제안한다. RASNet 모델은 사이모이즈 추적 프레임워크 내에서 상관 필터를 재정의하고, 모델의 온라인 업데이트 없이도 적응이 가능하도록 다양한 주의 메커니즘을 도입한다. 특히, 오프라인으로 사전 학습된 일반 주의 메커니즘, 대상에 맞게 적응된 잔차 주의 메커니즘, 채널 선호 특징 주의 메커니즘을 활용함으로써 RASNet은 딥 네트워크 학습에서의 과적합 문제를 완화할 뿐만 아니라, 표현 학습과 판별 학습을 분리함으로써 더 높은 구분 능력과 적응성을 갖춘다. 제안된 딥 아키텍처는 엔드 투 엔드로 학습되며, 풍부한 공간-시계열 정보를 극대화하여 강력한 시각적 추적 성능을 달성한다. OTB-2015와 VOT2017이라는 최신 두 가지 벤치마크에서의 실험 결과는 RASNet 추적기가 최첨단의 추적 정확도를 달성하면서도 초당 80 프레임 이상의 속도로 실행됨을 보여준다.