动态词元聚合

基于单句自然语言描述的实例跟踪学习

Learning to Track Instance from Single Nature Language Description

提出动态词元聚合模块，通过锚框词元选择模板帧中的目标词元并与语言词元融合，为视觉语言跟踪提供了一种无需边界框标注的自监督训练范式，可复用于其他多模态时序任务。