ODTrack: Online Dense Temporal Token Learning for Visual Tracking论文及代码结构解读

论文地址
代码地址

写在最前面

作者采用了One-Stream的框架，pipeline用的是OSTrack的，两者基本相同。
区别在于：

  • 使用了3张Template构建Template_list与一张Search构建融合特征
  • 使用了2张Search，每张分别进行一次上述过程
  • 在Test和Eval中，保存历史预测Box，并根据这个Box裁剪出相应的历史Template，便于后续帧序列的Template采样3张

存在的问题

  • search和template图像对之间的采样是稀疏的，不足以充分表达目标的动态变化
  • 在test和eval中，search和template之间的匹配是离线的(就是template或者search没有更新)，这阻碍了其中互信息的表达

解决方案

在这里插入图片描述

  • 使用token sequence propagation paradigm(这里的说法让人困惑，操作是在ViT的第3、6、9层block中，把注意力的嵌入向量进行最大值筛选， 把这个筛选的标准
注：本文转载自blog.csdn.net的的文章"https://blog.csdn.net/Soonki/article/details/140388513"。版权归原作者所有，此博客不拥有其著作权，亦不承担相应法律责任。如有侵权，请联系我们删除。
复制链接
相关推荐
发表评论

评论记录：

未查询到任何数据！