VITAL目標跟蹤原文：VITAL: VIsual Tracking via Adversarial Learning

GitHub：代碼

????????????????????????????????????????????????????????????????????????????? Abstract

?????? 檢測跟蹤測框架包括兩個階段，即在第一階段圍繞目標對象提取樣本第二個階段將每個樣本分類為目標對象或背景。使用深度分類網絡的現有跟蹤器的性能受到兩個方面的限制。首先，每幀中的正樣本在空間上高度重疊，并且它們不能捕獲豐富的外觀變化。其次，正負樣本之間存在極端的等級不平衡。本文介紹通過對抗性學習解決這兩個問題的VITAL算法。為了增強正樣本，我們使用生成網絡隨機生成掩模，這些掩模用于自適應地丟棄輸入特征以捕獲各種外觀變化。通過使用對抗性學習，我們的網絡可識別在長時間跨度內保持目標對象最魯棒特征的掩模。此外，為了處理類不平衡問題，我們提出了一種高訂單成本敏感性損失，以減少容易負樣本的影響，以便于訓練分類網絡。對基準數據集的大量實驗表明，所提出的跟蹤器比最先進的方法表現出色。

總結

以上是生活随笔為你收集整理的VITAL目标跟踪的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。