摘要

我们利用大量未标记的视频来学习无需人工监督的视觉跟踪模型。通过利用颜色在时间上的自然连贯性，我们创建了一个模型，该模型能够通过从参考帧复制颜色来为灰度视频着色。定量和定性实验表明，这一任务促使模型自动学习跟踪视觉区域。尽管该模型是在没有任何真实标签的情况下训练的，但我们的方法已经能够学会足够好的跟踪技术，以超越基于光流的最新方法。此外，我们的结果还表明，跟踪失败与着色失败之间存在相关性，这表明推进视频着色技术可能会进一步改善自监督视觉跟踪的效果。