基于SiamBAN跟踪器改进的目标跟踪算法

doi:10.12068/j.issn.1005-3026.2023.09.002

东北大学学报（自然科学版） ›› 2023, Vol. 44 ›› Issue (9): 1227-1233.DOI: 10.12068/j.issn.1005-3026.2023.09.002

基于SiamBAN跟踪器改进的目标跟踪算法

郑艳，赵佳旭，边杰

(东北大学信息科学与工程学院，辽宁沈阳110819)

发布日期:2023-09-28
通讯作者: 郑艳
作者简介:郑艳(1963-)，女，辽宁沈阳人，东北大学副教授，博士.
基金资助:
国家自然科学基金资助项目(61773108).

Improved Object Tracking Algorithm Based on SiamBAN Tracker

ZHENG Yan， ZHAO Jia-xu， BIAN Jie

School of Information Science & Engineering， Northeastern University， Shenyang 110819， China.

Published:2023-09-28
Contact: ZHAO Jia-xu
About author:-
Supported by:
-

摘要/Abstract

摘要： 孪生网络系列的跟踪器基于相似度匹配的方法来实现目标跟踪，当遇到相似干扰物时会发生跟踪漂移现象，从而导致跟踪失败.针对这个问题，以SiamBAN跟踪器为研究基础，提出了一种改进算法.主要改进包括:在训练阶段，加入中心回归分支来降低远离目标中心的边界框分数，同时引入Focal Loss损失函数，在推理阶段设计了全新的筛选策略，来区分要跟踪的目标和相似干扰物.改进后的算法在OTB100测试集的成功率和精度相比于原来分别提高了2.1%和3%，在GOT10k的测试集上成功率比原来提高了2.1%.

关键词: 目标跟踪；SiamBAN；孪生网络；干扰物感知；神经网络

Abstract: The siamese network series tracker utilizes the similarity matching method for object tracking， but tracking drift can occur when similar distractors are encountered， leading to tracking failure. To solve this problem， based on the research of SiamBAN tracker， an improved algorithm is proposed. Major improvements include the addition of a centerness branch during training to reduce bounding box scores far from the object center， the introduction of the Focal Loss function， and a new screening strategy during inference to differentiate the target from similar distractors. Compared with the original， the success plot and precision plot of the improved algorithm are increased by 2.1% and 3% respectively on the OTB100 test set， and the success plot is 2.1% higher than the original on the GOT10k test set.

Key words: object tracking; SiamBAN; siamese network; distractor aware; neural network

中图分类号:

TP391

郑艳，赵佳旭，边杰. 基于SiamBAN跟踪器改进的目标跟踪算法[J]. 东北大学学报（自然科学版）, 2023, 44(9): 1227-1233.

ZHENG Yan， ZHAO Jia-xu， BIAN Jie. Improved Object Tracking Algorithm Based on SiamBAN Tracker[J]. Journal of Northeastern University(Natural Science), 2023, 44(9): 1227-1233.

参考文献

[1]孟琭，杨旭.目标跟踪算法综述［J］.自动化学报，2019，45(7):1244-1260.(Meng Lu，Yang Xu.A survey of object tracking algorithms ［J］.Journal of Automation，2019，45(7):1244-1260.)
[2]王红涛，邓淼磊，赵文君，等.基于深度学习的单目标跟踪算法综述［J］.计算机系统应用，2022，31(5):40-51.(Wang Hong-tao，Deng Miao-lei，Zhao Wen-jun，et al.A survey of single object tracking algorithms based on deep learning ［J］. Computer Systems and Applications，2022，31(5):40-51)
[3]Bertinetto L，Valmadre J，Henriques J F，et al.Fully-convolutional siamese networks for object tracking［C］//European Conference on Computer Vision.Cham:Springer，2016:850-865.
[4]Li B，Yan J，Wu W，et al.High performance visual tracking with siamese region proposal network［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Salt Lake City，2018:8971-8980.
[5]Li B，Wu W，Wang Q，et al.SiamRPN++:evolution of siamese visual tracking with very deep networks［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.Long Beach，2019:4282-4291.
[6]Law H，Deng J.CornerNet:detecting objects as paired keypoints［C］//Proceedings of the European Conference on Computer Vision (ECCV).Munich，2018:734-750.
[7]Tian Z，Shen C H，Chen H，et al.FCOS:fully convolutional one-stage object detection［C］//Proceedings of the IEEE/CVF International Conference on Computer Vision.Seoul，2019:9627-9636.
[8]Xu Y，Wang Z，Li Z，et al.SiamFC++:towards robust and accurate Visual tracking with target estimation guidelines［C］//Proceedings of the AAAI Conference on Artificial Intelligence.New York，2020，34(7):12549-12556.
[9]Chen Z，Zhong B，Li G，et al.Siamese box adaptive network for visual tracking［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.Seattle，2020:6668-6677.
[10]Guo D，Wang J，Cui Y，et al.SiamCAR:siamese fully convolutional classification and regression for visual tracking［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.Seattle，2020:6269-6277.
[11]Lin T Y，Goyal P，Girshick R，et al.Focal Loss for dense object detection［C］//Proceedings of the IEEE International Conference on Computer Vision.Venice，2017:2980-2988.
[12]Zhu Z，Wang Q，Li B，et al.Distractor-aware siamese networks for visual object tracking［C］//Proceedings of the European Conference on Computer Vision (ECCV).Munich，2018:101-117.
[13]Russakovsky O，Deng J，Su H，et al.ImageNet large scale visual recognition challenge［J］.International Journal of Computer Vision，2015，115(3):211-252.
[14]Huang L，Zhao X，Huang K.GOT-10k:a large high-diversity benchmark for generic object tracking in the wild［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2019，43(5):1562-1577.
[15]Danelljan M，Bhat G，Khan F S，et al.ATOM:accurate tracking by overlap maximization［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.Long Beach，2019:4660-4669.
[16]Danelljan M，Bhat G，Khan F S，et al.ECO:efficient convolution operators for tracking［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Honolulu，2017:6638-6646.

基于SiamBAN跟踪器改进的目标跟踪算法

Improved Object Tracking Algorithm Based on SiamBAN Tracker

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	林舟，周绮凤. 基于关键信息指导的文本摘要模型[J]. 东北大学学报（自然科学版）, 2023, 44(9): 1251-1258.
[2]	姜杨，刘成，丁其川，王力. 基于双注意力机制的COVID-19病灶CT图像分割方法[J]. 东北大学学报（自然科学版）, 2023, 44(9): 1259-1268.
[3]	李佳洋, 唐加福, 郭恩铭. 基于动态情绪驱动的人员应急疏散模型[J]. 东北大学学报（自然科学版）, 2021, 42(11): 1656-1662.
[4]	杨丹，刘国如，任梦成，裴宏杨. 多尺度卷积核U-Net模型的视网膜血管分割方法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 7-14.
[5]	韩东红，张宏亮，朱帅伟，齐孝龙. 面向新浪微博的情感社区检测算法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 21-31.
[6]	原培新，陈鼎夫. 双能X射线高动态范围安检图像压缩算法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 96-101.
[7]	魏颖, 徐楚翘, 刁兆富, 李伯群. 基于生成对抗网络的多目标行人跟踪算法[J]. 东北大学学报（自然科学版）, 2020, 41(12): 1673-1680.
[8]	李稷，徐安军. 炼钢车间多天车动态调度仿真方案[J]. 东北大学学报:自然科学版, 2020, 41(12): 1699-1707.
[9]	李占山，吕艾娜. 基于新冗余度的特征选择方法[J]. 东北大学学报:自然科学版, 2020, 41(11): 1550-1556.
[10]	王鑫，王翠荣，王聪，苑迎. 双通道多感知卷积神经网络图像超分辨率重建[J]. 东北大学学报:自然科学版, 2020, 41(11): 1564-1570.
[11]	张春雷，戴丽，刘宇，李鹤. 基于三点法和ICP算法的手术导航系统患者配准[J]. 东北大学学报:自然科学版, 2020, 41(11): 1584-1590.
[12]	陈剑，何涛，闻英友，马林涛. 基于BERT模型的司法文书实体识别方法[J]. 东北大学学报:自然科学版, 2020, 41(10): 1382-1387.
[13]	张田，田勇，王子，王昭东. 基于清晰度评价的自适应阈值图像分割法[J]. 东北大学学报:自然科学版, 2020, 41(9): 1231-1238.
[14]	张丽杰，刘建昌，谭树彬. 复杂建筑火灾中的人员疏散路径多目标规划[J]. 东北大学学报:自然科学版, 2020, 41(6): 761-766.
[15]	赵海，周冰玲，朱宏博，窦圣昶. 基于连续最大流的三维肺实质快速分割算法[J]. 东北大学学报:自然科学版, 2020, 41(4): 470-474.