VOT2018结果总结

分类

1. 单目标跟踪
2. 短期跟踪：假定在跟踪失败后不能重新检测成功，而是要reset。

• 短期实时跟踪，要求预测边界框的速度快于或等于视频帧率。

3. 长期跟踪：在短期跟踪的基础上，执行re-detection。

给短期跟踪与长期跟踪提供的唯一信息是第一帧的边界框。

短期跟踪测试数据集：
UAV123，OTB，VOT。
长期跟踪测试数据集：
LTB35:UAVL20，Youtobe，AMP。

长期跟踪相关

与短期跟踪相比，长期跟踪关注度低很多。

• 长期跟踪的视频至少长2分钟，20-25fps，最好长10分钟。
• 相比短期跟踪，长期跟踪要处理目标长时间离开视野的情况。竞赛要求长期跟踪需要报告每一帧中目标位置和目标的出现置信度。
• 长期跟踪器需要两个部分组成，短期部分和检测部分来检测目标重新出现的状况。此外，需要短期组件和检测器之间的交互机制，其适当地更新视觉模型并在目标跟踪和检测之间切换。其中TLD就是一个开创性的工作，启发了后续的长期跟踪工作。

短期挑战跟踪结果

• 有4个tracker基于CNN匹配，一个基于循环神经网络，14个应用孪生网络（SiamFC，SiamRPN），34个基于相关滤波（C-COT，ECO）。
• 62%的tracker用到了CNN特征。
• 冠军是LADCF，运行在CPU上。paper，code。

针对视觉特性：

• 总体最佳表现者仍然处于每个属性排名的顶部，但是没有一个跟踪器在每个属性方面始终优于所有其他跟踪器。
• 影响跟踪最大的视觉特征是：遮挡、光照改变和运动改变。

短时实时挑战跟踪结果

• Top 10 中的八个都是孪生结构SiamFC的扩展。这些跟踪器使用预训练的CNN特征，最大化相关定位精度，需要GPU。
• 两个使用相关滤波的tracker在CPU上运行。
• SiamRPN是冠军，精度高，速度快。paper，code

长期跟踪挑战结果（VOT2018新添加挑战）

• 排名第一的是MobileNet-based tracking by detection algorithm (MBMD) 。定期更新短期部分，不更新长期部分。应用了边框回归网络和基于MobileNet的验证网络。回归网络在给定第一帧目标的搜索区域内对目标对象的边界框进行回归。包回归网络使用SSD-MobileNet架构[35,52]，其参数在在线跟踪期间是固定的。
• MBMD，paper，code。
• DaSiamRPN是SiamRPN（短期跟踪）的扩展，SiamRPN在短期跟踪效果很好，但是目标再出现时他无法追回。短期跟长期部分都不更新。

个人理解，短期部分指的是提取特征+检测、跟踪+给出回归框。

针对视觉特性：

• 最具挑战性的属性是快速运动，视野外，宽高比变化和完全遮挡。