一种新的分段式细粒度正则化的鲁棒跟踪算法

孪生网络跟踪算法在训练阶段多数采用L2正则化,而忽略了网络架构的层次和特点,因此跟踪的鲁棒性较差.针对该问题,提出一种分段式细粒度正则化跟踪(Segmented fine-grained regularization tracking,SFGRT)算法,将孪生网络的正则化划分为滤波器、通道和神经元三个粒度层次.创新性地建立了分段式细粒度正则化模型,分段式可针对不同层次粒度组合,利用组套索构造惩罚函数,并通过梯度自平衡优化函数自适应地优化各惩罚函数系数,该模型可提升网络架构的泛化能力并增强鲁棒性.最后,基于VOT2019跟踪数据库的消融实验表明,与基线算法SiamRPN++比较,在鲁棒性指标上降低了7.1%及在平均重叠期望(Expected average overlap,EAO)指标上提升了1.7%,由于鲁棒性指标越小越好,因此鲁棒性得到显著增强.基于VOT2018、VOT2019、UAV123和LaSOT等主流数据库的实验也表明,与国际前沿跟踪算法相比,所提算法具有较好的鲁棒性和跟踪性能.