基于难样本挖掘的孪生网络目标跟踪

摘要: 为了解决全卷积孪生网络目标跟踪算法(SiamFC)在复杂环境下容易出现跟踪漂移甚至跟踪失败的问题，提出了一种基于难样本挖掘的孪生网络目标跟踪方法。该方法在SiamFC算法的基础上，首先利用特征融合模块进行特征融合，以提高特征表征的鲁棒性，然后引入一个新的损失函数，加强网络对难样本的学习能力并缓解正负样本不平衡的问题。为验证该方法的有效性，在OTB2015和GOT10k数据集上对算法进行测试实验。实验结果表明，在OTB2015数据集上该方法比SiamFC算法在成功率上提高2.6%，精度上提高2%在GOT10k数据集上该方法的mAO为0.429，相比SiamFC算法提高了3.7%，在光照变化、目标形变、相似背景干扰情况下具有更好的表现。