[논문 리뷰] SiamGM: Siamese Geometry-Aware and Motion-Guided Network for Real-Time Satellite Video Object Tracking

Zixiao Wen, Zhen Yang외 5명|arXiv (Cornell University)|2026. 03. 08.

Video Surveillance and Tracking Methods인용 수 0

한 줄 요약

SiamGM은 기하학적 인지 프레임 간 그래프 어텐션과 종횡비 제약 라벨링, 움직임 유도 온라인 정제를 도입하여 위성 비디오에서 실시간 단일 객체 추적을 달성한다.

ABSTRACT

Single object tracking in satellite videos is inherently challenged by small target, blurred background, large aspect ratio changes, and frequent visual occlusions. These constraints often cause appearance-based trackers to accumulate errors and lose targets irreversibly. To systematically mitigate both spatial ambiguities and temporal information loss, we propose SiamGM, a novel geometry-aware and motion-guided Siamese network. From a spatial perspective, we introduce an Inter-Frame Graph Attention (IFGA) module, closely integrated with an Aspect Ratio-Constrained Label Assignment (LA) method, establishing fine-grained topological correspondences and explicitly preventing surrounding background noise. From a temporal perspective, we introduce the Motion Vector-Guided Online Tracking Optimization method. By adopting the Normalized Peak-to-Sidelobe Ratio (nPSR) as a dynamic confidence indicator, we propose an Online Motion Model Refinement (OMMR) strategy to utilize historical trajectory information. Evaluations on two challenging SatSOT and SV248S benchmarks confirm that SiamGM outperforms most state-of-the-art trackers in both precision and success metrics. Notably, the proposed components of SiamGM introduce virtually no computational overhead, enabling real-time tracking at 130 frames per second (FPS). Codes and tracking results are available at https://github.com/wenzx18/SiamGM.

연구 동기 및 목표

• SVOT의 도전과제인 작은 타겟, 회전, 큰 종횡비 변화, 가림을 해결한다.
• 기하 priors와 시간적 모션 정보를 활용하는 시암스 추적 프레임워크를 개발한다.
• 실시간 성능을 보장하면서 계산 오버헤드를 최소화하고 정밀도와 성공 지수를 향상시킨다.
• 기하 인식 라벨링과 온라인 궤도 정합을 통합한 학습 및 추론 전략을 제안한다.

제안 방법

• Inter-Frame Graph Attention(IFGA)을 제안하여 템플릿과 탐색 피처 간의 작고 타겟에 대한 치밀한 기하-토폴로지 매핑을 학습한다.
• Aspect Ratio-Constrained Label Assignment(LA)를 도입하고 종횡비 기반 센트럴니스와 센트럴니스 가이드 분류 점수(CGCS)를 사용한다.
• Motion Vector-Guided Online Tracking Optimization을 도입하고 정규화 피크-사이드로비 비율(nPSR)을 동적 신뢰 지표로 활용한다(온라인 모션 모델 정제, OMMR).
• 앵커 프리 SiamCAR 백본을 세 가지 분기(분류, 회귀, 센트럴니스)로 구성하고 CJCL 손실을 통해 센트럴니스와 분류를 혼합한다.
• 정확도와 속도 균형을 위해 IFGA를 P2/P3 피처에만 적용하여 실시간 성능을 유지한다.
• ResNet-50 백본으로 VISO 데이터셋에서 학습하고 SatSOT 및 SV248S 벤치마크에서 평가한다.

실험 결과

연구 질문

• RQ1 기하 priors와 토폴로지 대응이 작은 타겟 및 회전된 타겟의 SVOT를 어떻게 개선하는가?
• RQ2 종횡비 제약 라벨 할당이 위성 비디오에서 배경 노이즈를 줄이고 경계 회귀를 향상시키는가?
• RQ3 nPSR 기반의 온라인 모션 가이던스가 차폐 시 계산 부담을 증가시키지 않으면서 궤적을 안정적으로 유지하는가?
• RQ4 CGCS와 CJCL의 통합이 학습 역학과 추적 정확도에 어떤 영향을 미치는가?
• RQ5 SatSOT와 SV248S 벤치마크에서 SiamGM의 정밀도와 성공률 측면에서 최첨단 추적기와의 비교 성능은 어떠한가?

주요 결과

• SiamGM은 130 FPS로 실시간 추적을 달성한다.
• IFGA는 작은 타겟에 대해 밀집 기하 매핑을 학습하여 탐색 피처 표현을 개선한다.
• 종횡비 제약 LA와 CGCS가 양의 샘플링을 더 정확하게 하고 센트럴니스 가이드를 향상시켜 배경 소음을 줄인다.
• OMMR은 nPSR 구동 신뢰도에 따라 순간 속도 정제와 장기 궤적 기반 업데이트 사이를 전환해 차폐 시 견고성을 강화한다.
• SatSOT와 SV248S 평가에서 최첨단 정확도와 함께 실시간 성능을 유지한다.