目标跟踪｜论文笔记分享｜ECCV-6篇

大家好，这里是【来一块葱花饼】，这次带来了目标跟踪的论文分享，与你分享~

之前做了一段时间的目标跟踪算法（以单目标跟踪SOT为主）的研究，学习了四十多篇顶会论文。所以，我新成立了专栏目标跟踪(SOT)｜顶会论文｜学习笔记,论文笔记与大家分享，方便大家快速了解目标跟踪的进展，掌握不同算法思想。欢迎大家讨论，在评论区写出自己的想法～

本文是ECCV-6篇的目标跟踪论文笔记，与大家分享。具体论文分析笔记，见专栏中的其他文章，欢迎关注。

具体论文分析笔记，见专栏中的其他文章，欢迎大家关注，链接如下：
目标跟踪|近三年|45篇顶会论文整理
目标跟踪｜七大数据集｜整理
目标跟踪｜论文笔记分享｜ICCV-6篇
目标跟踪｜论文笔记分享｜ICCV-2篇
目标跟踪｜论文笔记分享｜ECCV-6篇
目标跟踪｜论文笔记分享｜CVPR-12篇
目标跟踪｜论文笔记分享｜CVPR-10篇(1)
目标跟踪｜论文笔记分享｜CVPR-10篇(2)

一.论文题目

论文题目
PG-Net: Pixel to Global Matching Network for Visual Tracking
CLNet: A Compact Latent Network for Fast Adjusting Siamese Trackers
Learning Feature Embeddings for Discriminant Model based Tracking
Object Tracking using Spatio-Temporal Networks for Future Prediction Location
Know Your Surroundings: Exploiting Scene Information for Object Tracking
Tracking Emerges by Looking Around Static Scenes, with Neural 3D Mapping

二.主要思想

主要想法：采用逐像素匹配，确实提高了背景提取的精度；从过去的信息去预测未来的目标位置，以此处理目标遮挡问题；进一步提高特征提取精度；利用场景信息进行目标跟踪、动态更新模板；对第一帧中的对象的特征进行深入挖掘，来提高跟踪精度；

三.具体文章

PG-Net: Pixel to Global Matching Network for Visual Tracking

PG-Net:用于视觉跟踪的像素到全局匹配网络

采用逐像素匹配，确实提高了背景提取的精度。但是也加大了计算量、参数量

不过本文提出了共享跟踪和多重损失训练，能减少一些计算负担

本文感觉也像是把别的方法迁移到跟踪这个场景下，发出新的顶会。

拟议的网络架构。它由特征提取子网络和目标定位子网络组成。PGM是用于相似度计算的像素到全局匹配模块。我们利用多个pgm从不同层次的特征中搜索目标。

Object Tracking using Spatio-Temporal Networks for Future Prediction Location

面向未来预测定位的时空网络目标跟踪

这是一个很好的思路！

一些论文都是从现在往回看，也就是通过当下的图来恢复之前消失或者被遮挡的目标；本文则是从过去往现在看，即从过去的信息去预测未来的目标位置，以此处理目标遮挡问题。

我有一个新的想法，能否将二者结合起来，将减弱遮挡的方法和预测的方法结合，这样就能更好的处理目标遮挡问题了！

我们引入背景运动模型，捕捉相邻帧间的整体背景运动，以表示摄像机运动对图像坐标的影响。背景运动对于补偿相机的运动是很重要的。我们提出了一种新的轨迹预测模型，该模型从目标物体在前几帧的观测中学习，并预测目标物体在随后的未来帧中的位置。采用多流convLSTM结构对这些观测数据的时间演化进行编码和解码。我们提出了一种使用轨迹选择评分的轨迹引导跟踪机制，这有助于跟踪器在当前跟踪状态和我们的轨迹预测器之间动态切换，特别是当目标对象被遮挡时。

Tracking Emerges by Looking Around Static Scenes, with Neural 3D Mapping

通过观察静态场景来跟踪，使用神经3D映射

3D目标跟踪

与2D或2.5D的视视流模型相比，我们的模型的3D场景表示从投影伪影中分离出来，在摄像机运动下保持稳定，对部分遮挡具有鲁棒性。我们在具有挑战性的模拟和真实数据中测试了提出的架构，并表明我们的无监督3D目标跟踪器优于之前的无监督2D和2.5D目标跟踪器，接近于有监督跟踪器的准确性。这项工作表明，三维目标跟踪器可以在没有跟踪标签的情况下，通过对静态数据的多视图自监督。

Learning Feature Embeddings for Discriminant Model based Tracking

基于判别模型跟踪的学习特征嵌入

本文的提高特征提取精度的方法可以用到很多地方！

在观察到大多数在线鉴别训练跟踪器使用的特征不是最优的情况下，本文提出了一种新的有效的结构来学习在线鉴别跟踪的最优特征嵌入。

我们的方法，称为DCFST，将一个可微分且具有封闭解的判别模型的求解器集成到卷积神经网络中。然后，对生成的网络进行端到端训练，获得基于判别模型的跟踪器的最优特征嵌入。

提取到更深入的特征，主要因为：1.对每幅输入图像进行均匀采样，生成目标大小的n个感兴趣区域。2.使用ResNet提取特征。3.使用prpool模块提取每个roi的特征图

Know Your Surroundings: Exploiting Scene Information for Object Tracking

了解你的周围环境:利用场景信息进行目标跟踪

挺好的想法，利用周围环境的信息，将其转化为状态向量，在之后可以利用场景信息进行跟踪，明确地避免干扰对象和消除目标候选区域

其实本质上是利用了全局信息，如果使用attention机制，也可以达到同样的效果吧。其实场景的状态信息也可以理解为，在线训练的不断更新模板。

是一个很好的思路!!

目前最先进的跟踪只依赖于目标外观模型，以便在每一帧定位对象。然而，这种方法容易失败的情况下，例如快速外观变化或存在干扰对象，其中目标外观模型单独是不够的鲁棒跟踪。在这种情况下，了解周围场景中其他物体的存在和位置是非常有益的。这种场景信息可以通过序列传播，例如，明确地避免干扰对象和消除目标候选区域。

在本文中，我们提出了一种新的跟踪体系结构，可以利用场景信息进行跟踪。

我们的跟踪器表示密集的局部状态向量，它可以编码，例如，局部区域是目标、背景或干扰。

这些状态向量在序列中传播，并与外观模型输出相结合以定位目标。我们的网络通过直接最大化视频片段的跟踪性能来有效地利用场景信息。

CLNet: A Compact Latent Network for Fast Adjusting Siamese Trackers

CLNet:一种用于快速调整暹罗跟踪器的紧凑型潜伏网络

本文对第一帧中的对象的特征进行深入挖掘，来提高跟踪精度。—这和之后的在线学习的不断更新模板的结论是相悖的。

本文的算法可以作为一个很好的组件来提高跟踪精度！！

在本文中，我们对基于暹罗的跟踪器进行了深入的分析，发现它们在挑战情况下失败的一个核心原因可以归结为离线训练中决定性样本丢失的问题。

本文对基于暹罗的跟踪器的性能退化进行了深入的分析，发现一个重要的因素是训练过程中决定性样本的缺失。为了解决这一问题，我们提出了一个紧凑潜伏网络(Compact Latent Network, CLNet)，它可以有效地提取第一帧序列特定的信息，以调整基于暹罗的模型。为了进一步促进调整网络的训练，我们提出了一种新的基于多样化样本挖掘的训练策略，以增强CLNet的识别能力。由于我们只对每个序列的调整进行一次前向计算，因此时间成本几乎可以忽略不计

未来，可以把该方法应用到其他的视觉任务中，如多目标跟踪，分割，去模糊，显著性检测。

之后我将在专栏目标跟踪(SOT)｜顶会论文｜学习笔记中，分享近三年的四十多篇顶会文章的详细笔记，方便大家快速入门。

感兴趣的同学点赞+收藏+关注，直接进入专栏进行学习～你们的支持就是我最大的动力～
感兴趣的同学点赞+收藏+关注，直接进入专栏进行学习～你们的支持就是我最大的动力～
感兴趣的同学点赞+收藏+关注，直接进入专栏进行学习～你们的支持就是我最大的动力～