好久没有写博客了，今天分享一篇新的目标跟踪论文。最后更新日期：2020.07.28
论文链接：https://arxiv.org/abs/2007.02024
代码链接：https://github.com/MasterBin-IIAU/AlphaRefine 2020.07.28作者目前还没发布
摘要：目前的目标跟踪算法大多采用多阶段（multiple-stage）的策略，即先对目标进行粗定位，再利用refinement modules对目标进行精细定位。作者认为现有的refinement modules的可移植性和准确性较差，因此作者提出了一种更为准确灵活的refinement module——Alpha-Refine，也就是本文的主角啦。Alpha-Refine利用pixel-wise correlation和spatial-aware non-local层来融合特征，并且可以预测出三种输出：bounding box、corners和mask。那么利用哪个输出结果作为最终的跟踪结果呢？作者在此提出了一个轻量的branch selector module进行选择。作者在现在大热的DiMP、ATOM、SiamRPN++、RTMDNet和ECO算法上进行了大量的实验，表明了所提模块的有效性。
引言：准确的目标尺度估计对于目标跟踪是十分重要的，早期的跟踪器通过多尺度搜索（multi-scale search，如SiameseFC、UPDT、ECO）或先抽样后回归的方法进行尺度估计，这些方法准确度不够高。近些年，有很多表现很好的新尺度估计方法，如DiMP和ATOM中的IoUNet、SiamMask等。
作者所提出的回归模块是单独训练好的，因此可以即插即用！！即插即用！！即插即用！！