研究人员开发了SSTrack++，这是一种新颖的自监督视觉跟踪模型，无需手动边界框标注。该模型采用弱到强训练框架来弥合标记和未标记数据之间的差距，并结合解耦的时空一致性策略以增强目标信息捕获。此外，自提示演化模块通过挖掘目标外观演化来适应复杂的跟踪场景，而实例对比损失则确保了在没有额外标注的情况下进行鲁棒的实例级监督。SSTrack++在基准数据集上的表现优于现有的自监督方法，显著缩小了与完全监督跟踪器的差距。 AI
影响 这项研究推动了计算机视觉领域的自监督学习，有望降低跟踪应用的标注成本。
排序理由 该集群包含一篇详细介绍新型自监督跟踪模型的论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
