Resumen

Con el desarrollo del aprendizaje profundo, los rastreadores basados en redes neuronales convolucionales (CNN) han logrado avances significativos en el seguimiento visual a lo largo de los años. La red Siamesa completamente conectada (SiamFC) es una representación típica de esos rastreadores. SiamFC diseña una arquitectura de dos ramas de una CNN y modela el seguimiento visual como un problema general de aprendizaje de similitud. Sin embargo, los mapas de características que utiliza para el seguimiento visual provienen solo de la última capa de la CNN. Estas características contienen información semántica de alto nivel pero carecen de información detallada suficiente de textura. Esto significa que el rastreador SiamFC tiende a desviarse cuando hay otros objetos de la misma categoría o cuando el contraste entre el objetivo y el fondo es muy bajo. Centrándonos en abordar este problema, diseñamos un algoritmo de seguimiento novedoso que combina un rastreador de filtro de correlación y el rastreador SiamFC en un marco único. En

• Materias:Redes de radio Sistemas de información Comunicaciones inalámbricas Cifrado de bloques
• Subjects:Radio Networks Information systems Wireless communications Block ciphers
• Palabras claves:Desarrollo; Aprendizaje profundo; Rastreadores; Redes neuronales convolucionales; Red Siamesa; Seguimiento visual
• Keywords:Development; Deep learning; Trackers; Convolutional neural networks; Siamese network; Visual tracking