Alpha-Refine论文阅读

Alpha-Refine: Boosting Tracking Performance by Precise Bounding Box Estimation

这项工作提出了一种新颖，灵活，准确的细化模块，称为Alpha-Refine（AR），它可以显着提高基本跟踪器的可信的box的估计质量。

通过探索一系列设计方案，我们得出结论，成功进行优化的关键是尽可能多地提取和维护详细的空间信息。

遵循此原理，Alpha-Refine采用像素相关，拐角预测头和辅助蒙版头作为核心组件。

在TrackingNet，LaSOT，GOT-10K和VOT2020基准测试中使用多个基本跟踪器进行的综合实验表明，我们的方法可显着提高基本跟踪器的性能，而不会产生额外的延迟。

所提出的Alpha-Refine方法导致了一系列增强的跟踪器，其中ARSiamRPN（AR增强的SiamRPNpp）和ARDiMP50（AR增强的DiMP50）实现了良好的效率-精度折衷，而ARDiMPsuper（AR增强的DiMPsuper）实现了很好的精度折衷。

致力于更精确的box估计模块设计

AlphaarXiv Refine是独立培训的，可以即插即用的方式直接应用于任何现有的跟踪器，无需对基础跟踪器进行额外的培训或修改。

在这项工作中，研究和比较了一系列设计方案。

具体来说，我们评估多个特征融合模块和预测头。

我们还探索使用辅助面罩头，该辅助面罩将像素级监督引入训练中。

我们发现，提取和维护精确的空间信息是精确盒子估计的关键。

为此，我们最终采用逐像素相关性以及关键点样式预测头，以更好地维护和利用详细的空间信息。

另外，使用了辅助mask，它鼓励网络提取更详细的空间信息，从而导致更精确的盒子估计。

此外，如果我们在推理阶段保留mask，则Alpha Refine将使基本跟踪器能够预测对象的mask，从而满足需要mask的场景。