목표 추적에서 흔히 발생하는 목표 가림 문제를 해결하기 위해 적응형 특징 매칭 네트워크를 제안한다. 이 네트워크는 쿼리 프레임과 메모리 프레임 간의 픽셀 수준 유사도를 계산하여 목표와 배경 간의 유사도 관계를 인코딩하고 픽셀 수준 유사도 행렬을 획득한다. 쿼리 프레임과 메모리 프레임을 헤드별로 분할하여 다차원 유사도 계산을 수행함으로써 쿼리 프레임 내 더 많은 영역에 주목하고, 계산된 유사도 행렬을 통해 메모리 프레임에 적응형 특징 가중치를 적용하여 목표 추적의 정확도와 강인성을 향상시킨다. 또한 특징 메모리 네트워크는 메모리 프레임을 선별 및 저장하여 특징 매칭에 추가적인 외관 정보를 제공하고, 네트워크가 목표의 운동 경향을 암묵적으로 학습하게 하여 더 나은 추적 결과를 구현한다. 실험 결과 본 방법은 GOT-10k, LaSOT 등의 데이터 세트에서 우수한 성능을 보였으며, GOT-10k 데이터 세트에서 본 논문에서 제안한 알고리즘은 STMTrack 알고리즘 대비 <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>값이 1.8% 향상되었다. 시각화 결과에 따르면 본 알고리즘은 목표 가림, 소실 등의 도전 과제에서 더 강한 강인성을 보였다.

목표 가림; 적응형; 특징 매칭; 메모리 네트워크