基于中心点搜索的无锚框全卷积孪生跟踪器

为解决孪生网络跟踪器鲁棒性差的问题,重新设计了孪生网络跟踪器的分类与回归分支,提出一种基于像素上直接预测方式的高鲁棒性跟踪算法—无锚框全卷积孪生跟踪器(Anchor-free fully convolutional siamese tracker,AFST).目前高性能的跟踪算法,如SiamRPN、SiamRPN++、CRPN都是基于预定义的锚框进行分类和目标框回归.与之相反,提出的AFST则是直接在每个像素上进行分类和预测目标框.通过去掉锚框,大大简化了分类任务和回归任务的复杂程度,并消除了锚框和目标误匹配问题.在训练中,还进一步添加了同类不同实例的图像对,从而引入了相似语义干扰物,使得网络的训练更加充分.在VOT2016、GOT-10k、OTB2015三个公开的基准数据集上的实验表明,与现有的跟踪算法对比,AFST达到了先进的性能.