结合移动对象发现和对比学习的无监督跟踪.pdfVIP

ComputerEngineeringandApplications计算机工程与应用2025，61（4）141

结合移动对象发现和对比学习的无监督跟踪

+

段苛苛，郑俊蓉，晏泽

辽宁大学信息学院，沈阳110036

+通信作者E-mail：kekeduan@126.com

摘要：常规的深度学习跟踪方法需要使用大量人工注释的视频标签来完成对目标跟踪任务的监督学习，而无监督

跟踪方法可以在未标注视频中进行模型训练，这有利于部署到实际场景中。传统的无监督跟踪方法严重依赖训练

样本的空间信息探索，难以持续跟踪具有强烈运动变化的目标对象。提出一种基于循环一致性理论的无监督跟踪

方法，采用无监督光流估计与动态规划发现移动目标，通过循环记忆学习方案构建内存队列来利用丰富的时间信

息，并提出基于对比学习思想的方法完成对模板的更新。实验结果表明，提出的跟踪方法在VOT2016以及

VOT2018数据集上的EAO分别达到了0.402和0.344，主要性能指标与一些主流监督学习方法的跟踪效果相当。

关键词：目标跟踪；无监督学习；循环一致性；移动对象发现；对比学习

文献标志码：A中图分类号：TP391doi：10.3778/j.issn.1002-8331.2309-0453

UnsupervisedTrackingCombiningMovingObjectDiscoveryandContrastiveLearning

+

DUANKeke,ZHENGJunrong,YANZe

SchoolofInformation,LiaoningUniversity,Shenyang110036,China

Abstract：Theconventionaldeeplearningtrackingmethodsrequirenumerousmanuallyannotatedvideolabelstocom-

pletesupervisedlearningforobjecttrackingtasks,whileunsupervisedtrackingmethodscantrainmodelsbyusingunla-

beledvideos,whichisbeneficialfordeploymentinreal-worldscenarios.Traditionalunsupervisedtrackingmethodsheavily

relyonexploringthespatialinformationoftrainingsamples,soitisdifficulttotrackthetargetobjectswhichhaveintense

movementchangesoveralongperiodoftime.Thispaperproposesanunsupervisedtrackingmethodbasedonthetheory

ofcyclicconsistency,whichadoptsunsupervisedopticalflowestimationanddynamicprogrammingtodiscoverthemoving

targets.Inaddition,forthepurposeofutilizingtherichtemporalinformation,acyclicmemorylearningschemeisusedto

constructamemoryqueue,andamethodbasedoncontrastivelearningisproposedtoupdatethetemplate.Theexperi-

mentalresultsshowthattheproposedtrackingmethodachievesEAOof0.402and0.344ontheVOT2016andVOT2018

datasetsrespectively.Themainperformanceindicat