Concepts de base
다양한 도전 상황에 적응할 수 있는 동적 융합 구조를 제안하여 RGBT 추적 성능을 향상시킨다.
Résumé
이 논문은 RGBT 추적을 위한 새로운 Attention 기반 융합 라우터(AFter)를 제안한다. 기존 RGBT 추적 방법들은 고정된 융합 구조를 사용하여 다양한 도전 상황에 적응하기 어려웠다. 이에 반해 AFter는 계층적 주의 네트워크(HAN)를 설계하여 다양한 융합 구조를 동적으로 선택할 수 있다. HAN은 4가지 서로 다른 융합 유닛을 포함하며, 각 유닛에는 라우터가 내장되어 있어 융합 구조를 효율적으로 최적화할 수 있다. 실험 결과, AFter는 5개의 주요 RGBT 추적 데이터셋에서 기존 최신 방법들을 능가하는 성능을 보였다.
Stats
제안 방법은 GTOT 데이터셋에서 기존 최고 성능 방법 대비 PR 1.0% 낮지만 SR 4.7% 높은 성능을 보였다.
RGBT210 데이터셋에서 제안 방법은 mfDiMP 대비 PR 9.0%, SR 8.0% 높은 성능을 보였다.
RGBT234 데이터셋에서 제안 방법은 TBSI 대비 PR 2.0%, SR 3.0% 높은 성능을 보였다.
LasHeR 데이터셋에서 제안 방법은 TBSI 대비 PR 1.1%, NPR 0.1% 높은 성능을 보였다.
VTUAV 데이터셋에서 제안 방법은 HMFT 대비 PR 9.1%, SR 9.8% 높은 성능을 보였다.
Citations
"기존 RGBT 추적 방법들은 고정된 융합 구조를 사용하여 다양한 도전 상황에 적응하기 어려웠다."
"제안 방법 AFter는 계층적 주의 네트워크(HAN)를 설계하여 다양한 융합 구조를 동적으로 선택할 수 있다."
"실험 결과, AFter는 5개의 주요 RGBT 추적 데이터셋에서 기존 최신 방법들을 능가하는 성능을 보였다."