科研之友
微信
新浪微博
Facebook
分享链接
摘要
目前主流Transformer目标跟踪算法只使用Transformer网络进行特征增强和特征融合，忽略了Transformer网络的特征提取能力，并且跟踪过程中对尺度变化、形变等干扰因素缺少有效的模板更新策略。针对上述问题，提出基于时空模板更新和边界框提升的Transformer跟踪算法。首先采用改进后的Swin Transformer作为骨干网络，通过移位窗口进行自注意力计算和全局信息建模，增强骨干网络的特征提取能力；其次使用Transformer编码器-解码器结构融合模板区域和搜索区域信息，利用注意力机制建立特征关联以获取全局语义信息，同时跟踪过程中每隔固定帧根据置信度分数大小动态更新模板，用于调整模板外观状态；最后采用边界框提升模块精细化边界框的回归范围，提升算法的精度。在多个具有挑战性的数据集上与主流先进算法进行性能对比实验，在OTB2015数据集上成功率和精确率分别达到70.2%和91.0%，在GOT-10k数据集上平均重合度相较于基准算法TransT提升了0.02，在LaSOT数据集上成功率相较于基准算法TransT提升了0.024，并且能以42 FPS的跟踪速度进行实时跟踪。
- 单位
