CiteTracker：用于视觉跟踪的图像和文本相关联

我们提出了 CiteTracker，通过连接图像和文本来增强视觉跟踪中的目标建模和推断。我们开发了一个文本生成模块，将目标图像补丁转换为一个包含其类别和属性信息的描述性文本，为目标提供综合参考点。此外，设计了一个动态描述模块以适应目标变化，以获得更有效的目标表示。通过基于注意力的相关模块将目标描述和搜索图像关联起来，生成用于目标状态参考的相关特征。通过对五个不同数据集的广泛实验评估，我们证明了所提方法的有效性与现有方法相比具有较好的性能。