Performance Evaluation Methodology for Long-Term Visual Object Tracking阅读笔记

跟踪架构评估

A整体架构分析

我们通过以下四个方面来分析架构选择对成功的长期跟踪的重要性:
(i)探测器设计，
(ii)短期组件设计，
(iii)使用的特征和
(iv)视觉模型适应策略。

探测器设计:

结果表明，基于cnn的测速仪具有良好的性能。相关滤波器广泛用于短期跟踪器，但通常不用于图像范围内的检测，除了在FCLT中。从图中可以看出，在FCLT中使用的基于dcf的检测器可能是长期跟踪器设计中一个非常有前途的研究方向。
在不同的跟踪器中，基于关键点的检测器的质量差异很大。其优点在于即使在相似或仿射变换下也可以重新检测目标，但一个常见的缺点是无法检测
小的或同类的目标。

（思考：检测器模块使用基于DCF模块，改造别的检测器，改进部分性能，是一个好方向。）

短期组件:

最有前途的短期组件的设计选择遵循了最先进的短期抢断技术的趋势。连接图表明，基于cnn和基于dcf的方法是最成功的短期设计选择。

（注：CNN的缺点是计算时间长，比较慢，优点是特征表达很精确，对短时跟踪很重要。）

视觉特征:

基于CNN的视觉模型通常比手工制作的特征性能更好。其原因可能是训练前网络的识别能力。
缺点是这些特性在类型上需要大量的计算资源和专用的硬件(即硬件)。GPU)。

结果还表明，CNN的特征对于高质量的长期跟踪并不重要。事实上，手工制作的特征与精心设计的重新检测策略或更新机制(如FCLT)相结合，其平均性能远远超过所有基于cnn的跟踪器。

适应策略:

在长期的跟踪场景中，目标可能会离开视场或长时间被遮挡。持续的不可逆更新会破坏视觉模型，导致漂移和失败，并降低目标重新检测的可能性。

在MDNet或FCLT中实现的保守更新似乎是最佳策略。一个极端保守的更新策略。没有任何更新，似乎也工作，但这需要高度表达的功能，如本地化训练的CNN在SiamFC。