Lasot
PulseAugur coverage of Lasot — every cluster mentioning Lasot across labs, papers, and developer communities, ranked by signal.
-
新的PATT框架利用特权训练数据增强视觉跟踪器性能
研究人员开发了一个名为特权外观迁移跟踪（PATT）的新训练框架，以提高视觉跟踪器的性能。PATT在训练期间利用帧级地面真实数据，提供部署时无法获得的精确目标裁剪。该框架通过迁移特权外观来训练学生跟踪器预测教师的搜索表示，并根据教师的定位优势和准确性进行加权。训练后，移除教师组件，留下一个可部署的学生跟踪器，该跟踪器在多个基准和跟踪协议上实现了持续的收益。
-
新的MaST跟踪器实现了最先进的轻量级目标跟踪
研究人员开发了运动感知稀疏化跟踪器（MaST），这是一个新的框架，旨在提高目标跟踪的效率，以便在边缘设备上进行实时部署。MaST通过使用轻量级的运动先验来优化令牌重要性分数，从而实现更早、更稳定的计算令牌缩减。此外，它还具有一个原生的稀疏预测头，直接在保留的令牌上操作，无需进行密集重塑即可减少冗余计算。实验表明，MaST-tiny的性能优于以往的轻量级跟踪器，在Jetson Nano上运行时，AUC和SUC得分更高，速度几乎是其两倍。
-
新型自监督跟踪模型SSTrack++消除了对手动标注的需求
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。
-
新的 FeedbackTrack 方法增强了 Transformer 视觉对象跟踪
研究人员开发了 FeedbackTrack，一个新颖的框架，通过引入受人眼视觉皮层启发的跨帧反馈来增强基于 Transformer 的视觉对象跟踪。该方法将稀疏的、组级别的反馈通路引入现有的 Transformer 跟踪器，允许来自前一帧的中间表示来调节当前帧的处理。通过使用轻量级的 Query Feedback 和 Gate Feedback 机制以及单帧缓存，FeedbackTrack 在 LaSOT 和 GOT-10k 等基准测…
-
SENTRY模块通过时序一致性增强了基于SAM2的视觉跟踪
研究人员开发了SENTRY，一个旨在通过增强SAM2系统中的内存更新机制来改进视觉对象跟踪的新型模块。SENTRY通过在提交内存更新之前验证其时序一致性来解决遮挡或快速运动期间的漂移问题。这个无需训练、即插即用的模块会聚合分割假设，将它们回溯成短轨迹，并使用感知邻居的匹配来偏好时序和几何上一致的掩码。当集成到现有跟踪器中时，SENTRY在多个基准测试中展示了持续的性能提升，在多个数据集上取得了新的最先进成果，而无需改变基础架构。