Abstract

背景：长期跟踪的难点在于目标离开视线或被遮挡引起的不连续运动。

现存方法：现存的长期跟踪方法有2种策略：1）使用局部跟踪器执行平滑的跟踪并在目标丢失时使用其他的重检测器检测目标，这样的方法可以探索类似目标历史外观和定位的时域上下文信息，但其局部跟踪器可能被相近的干扰物误导，使得在目标丢失时没有激活重检测器；2）在整张图像中追踪目标而不是基于先前帧的追踪结果执行局部追踪，但这些样的全局追踪无法有效利用时域上下文。

本文做法：联合了以上2种策略的优势，在全局中追踪目标并探索时域上下文。具体地，通过整张图像上的局部跟踪器的集成执行全局追踪：目标的平稳移动可以通过一个局部追踪器处理；目标突然丢失，其他接近目标的局部追踪器被激活并继续定位目标。

本文效果：6个数据集上验证本文的算法是SOTA。

1. Introduction

长期跟踪和短期跟踪的2大差异：

• 长期跟踪benchmarks数据集（LaSOT, TLP, OxUvA）中序列的平均持续时间约为几百秒，而短期跟踪benchmarks数据集（OTB2015， TrackingNet, GOT-10k）中序列的平均持续时间只有几十秒；
• 长期跟踪任务需要算法可以处理由目标消失/形变导致的目标不连续运动问题。

大部分算法都是在一个局部区域内搜索目标，导致无法处理长期跟踪任务中目标频繁不连续移动的问题。以下介绍2种经典策略来处理此类问题：

本文做法：通过局部跟踪器的集成执行全局跟踪，结合了以上2种方法各自的优势（以全局视角跟踪目标+利用时域信息）。具体地，在整张图象的不同参考位置使用不同的局部跟踪器，每个局部跟踪器在其参考位置附近的区域内搜索目标。当一个局部跟踪器成功定位目标时，它就继续保持跟踪（同事探索时域信息）；当该跟踪器丢失目标时，其他距离目标近的局部跟踪器就会被激活去继续跟踪，而原来的跟踪器就回到它的起始位置。这个过程可用下图表示：
此外，本文还提出了a deformable attention-based local tracker在全局视野中模拟局部跟踪机制； a temporal context transferring scheme去探索时序信息（i.e.目标形变和历史位置）。

2. Related Work

3. Method

官方图标**：

具体操作**：

4. Experiments

4.1 Implementation Details

4.2 Ablation Study

4.3 Comparison with State-of-the-art Trackers

4.4 Qualitative Comparison

4.5 Limitations