ターゲットトラッキングにおける一般的なターゲットの遮蔽問題に対して、適応的な特徴マッチングネットワークを提案する。本ネットワークはクエリフレームとメモリフレーム間のピクセルレベルの類似度を計算し、ターゲットと背景の類似度関係をエンコードしてピクセルレベルの類似度行列を取得する。クエリフレームとメモリフレームをヘッド単位で分割することで多次元類似度計算を実現し、クエリフレーム内のより多くの領域に注目し、計算された類似度行列を通じてメモリフレームに適応的特徴重み付けを行い、ターゲットトラッキングの精度とロバスト性を向上させる。さらに、特徴メモリネットワークはメモリフレームの選択と保存が可能であり、特徴マッチングに追加の外観情報を提供し、ネットワークがターゲットの運動傾向を暗黙的に学習することでより優れたトラッキング結果を実現する。実験結果は、本手法がGOT-10k、LaSOTなどのデータセットで良好な性能を示すことを示しており、GOT-10kデータセットでは本論文で提案するアルゴリズムがSTMTrackアルゴリズムと比較して<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><mi mathvariant="normal">A</mi><mi mathvariant="normal">O</mi></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/38D6EE77-55E2-468c-9E4E-C3BB32F1A288-M001.jpg"/><?fx-imagestate width="4.91066647" height="2.37066650"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/38D6EE77-55E2-468c-9E4E-C3BB32F1A288-M001c.jpg"/><?fx-imagestate width="4.91066647" height="2.37066650"?></graphic></alternatives></inline-formula>値が1.8％向上した。可視化の結果、本アルゴリズムはターゲットの遮蔽や消失といった課題においてより強いロバスト性を持つことを示している。

ターゲット遮蔽;適応;特徴マッチング;メモリーネットワーク