科研之友
微信
新浪微博
Facebook
分享链接
摘要
在光照变化、形状变化、运动模糊等复杂场景下，现有的目标跟踪算法很容易跟踪失败，为了解决这些问题，一些跟踪算法尝试引入全局注意力来增强特征表达以提高准确率，但这需要消耗大量的计算资源。本文提出一种结合多级特征融合和高效注意力的目标跟踪算法SiamEff（Siamese Efficient Network），使全局注意力能在耗费少量计算资源的前提下提高准确率。首先，使用无锚框机制以避免基于锚框的跟踪算法对大量超参的敏感问题；然后，引入一种比传统全局注意力更加高效的注意力机制，大大降低内存和运算量的需求，并融合了低层和高层的多级特征，充分利用不同层次的特征信息提高跟踪性能；最后，引入了中心度约束，以减少低质量预测框的干扰。在公开测试平台OTB100和VOT2018上进行了测试，结果表明SiamEff的跟踪性能优于主流跟踪算法，在各种复杂场景下更加鲁棒和准确，且跟踪速度达到150frames/s。
- 单位
