Learning to Fuse Asymmetric Feature Maps in Siamese Trackers 论文链接：https://arxiv.org/abs/2012.02776 本文提出一种可学习的非对称卷积：ACM，可高效融合Siamese跟踪器中不同大小的特征图，以显著提高孪生跟踪器性能，如SiamFC、SiamBAN和SiamRPN++等。作者单位：北京理工大学, IIAI, MBZUAI

近年来，基于孪生（Siamese）的跟踪器在视觉跟踪方面取得了令人鼓舞的性能。最新的基于Siamese的跟踪器通常采用深度互相关（DW-XCorr），以从两个特征图（目标和搜索区域）获得多通道相关信息。但是，DW-XCorr在基于连体的跟踪中有几个局限性：它很容易被干扰因素所欺骗，具有较少的激活通道，并且对对象边界的辨别力较弱。此外，DW-XCorr是一个手工制作的无参数模块，不能完全受益于大规模数据的离线学习。 我们提出了一个可学习的模块，称为非对称卷积（ACM），该模块学会了在大规模数据的离线训练中更好地捕获语义相关信息。与DW-XCorr及其前身（XCorr）视单个特征图为卷积内核不同，我们的ACM会将级联特征图上的卷积运算分解为两个数学上等效的运算，从而避免了使用特征图在连接期间具有相同的大小（宽度和高度）。我们的ACM可以将有用的先验信息（例如边框大小）与标准视觉功能结合在一起。此外，ACM可以轻松集成到基于DW-XCorr或XCorr的现有孪生跟踪器中。为了证明其泛化能力，我们将ACM集成到三个代表性的跟踪器中：SiamFC，SiamRPN ++和SiamBAN。我们的实验揭示了提出ACM的优势，它在六个跟踪基准上均优于现有方法。在LaSOT测试设备上，基于ACM的跟踪器在成功率（AUC）方面比基线提高了5.8％。

内容中包含的图片若涉及版权问题，请及时与我们联系删除