目标跟踪｜论文笔记分享｜ ICCV-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ICCV-6篇的目标跟踪论文笔记，与大家分享。其他顶会论文的分析笔记，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
Learning to Track Objects from Unlabeled Videos
Learning Spatio-Temporal Transformer for Visual Tracking
Learning to Adversarially Blur Visual Object Tracking
HiFT: Hierarchical Feature Transformer for Aerial Tracking
Learn to Match: Automatic Matching Network Design for Visual Tracking
Saliency-Associated Object Tracking

二.主要思想

主要采用了transformer利用时空特征、无监督、关注局部显著区域、自动匹配网络并对siamese的匹配算子进行改进、对抗攻击

三.具体文章

Learning Spatio-Temporal Transformer for Visual Tracking

学习用于视觉跟踪的时空transformer

本文使用transformer设计跟踪器，并且结合时空特征。

是一个很有效的方法，可以参考！

之前的Siamese系列算法，只是使用了空间特征，所以对于目标消失、对象变化过大这些场景不太友好。

使用transformer，在序列建模中解决了长距离相互作用的问题。

空间信息包含目标定位的对象外观信息，时间信息包含对象在帧间的状态变化。考虑到建模全局依赖的优越能力，tarnsformer集成空间和时间信息跟踪，生成具有鉴别性的时空特征的目标定位。

Learning to Track Objects from Unlabeled Videos

学习从未标记的视频跟踪对象

本文使用无监督的跟踪器。

找到了之前无监督跟踪的三个挑战：moving object discovery, rich temporal variation exploitation, and online update。

针对上述方法，提出了一种新的无监督跟踪方法。首先，使用无监督光流和动态规划对移动对象进行序列采样；然后使用单帧对从头开始训练一个naive的Siamese跟踪器；最后在使用一个循环记忆学习方案来训练跟踪器，来实现在线更新。

本文也提出了，目标跟踪的一个重要思路是，输入动态的不断更新的模板对象，从而保证长时间的跟踪。

综上，两个点，一个是无监督跟踪，一个是使用在线更新。

Saliency-Associated Object Tracking

显著关联对象跟踪

当前的跟踪器大多是对整个目标进行跟踪识别，但是很难跟踪各种外形变化的目标。还有一种思路是针对局部跟踪，将目标分割成相同的小块，并并行跟踪所有小块，将这些小块全部用来进行并行的跟踪。

但是实际上，很多局部的小块是无用的，会对结果造成不好的影响。

所以本文提出，基于局部的针对显著区域的跟踪，使用著性挖掘模块来捕获局部显著性，然后使用显著性关联建模模块将捕获的显著性关联在一起，来进行跟踪和状态估计。

本方法对有较大形状变化的对象，有更好的跟踪效果。

HiFT: Hierarchical Feature Transformer for Aerial Tracking

分层特征tarnsformer的空中跟踪

本文主要针对于Siamese系列跟踪方法进行改进，提出了一种高效和有效的分层特征变压器(shift)航空跟踪**。将多层次卷积层生成的层次相似图输入特征转换器，**实现空间线索(浅层)和语义线索(深层)的交互融合。

由于使用了transformer，可以更好的提取全局上下文信息，方便目标搜索；使用多层次特征学习，得到有较强可识别性的针对于跟踪的特征空间。

当然本文的场景主要是无人机的空中拍摄的低分辨率跟踪对象。

Learn to Match: Automatic Matching Network Design for Visual Tracking

学习匹配:视觉跟踪的自动匹配的网络设计

之前的Siamese系列算法效果很好，但是对于输入的模板对象和搜索对象，只是用了互相关来求相似度。两个缺点：1.启发式匹配网络设计在很大程度上依赖于专家经验。2.单一的匹配算子很难在所有具有挑战性的环境中保证稳定的跟踪

本文提出了另外六种匹配算子，以探索匹配算子选择的可行性，这其实是一种很好的思路！

我们可以将它们结合起来探索互补特征，得到更好的匹配效果。

另外，还使用了二进制信道操作(BCM)来搜索这些操作符的最优组合，自动生成多种算子的较优组合，来得到一种通用的目标跟踪模型，来满足多种复杂的目标跟踪场景。

Learning to Adversarially Blur Visual Object Tracking

学习,对抗性模糊视觉目标跟踪

由于之前的目标跟踪，没有过多的讨论模糊图像下跟踪的鲁棒性，所以本文提出了对抗性模糊攻击(ABA)。

作者研究了运动模糊的产生原理，设计了视觉跟踪的模糊生成方法。

不过我们好像不太需要这样的研究场景？可能之后可以用这种方法生成对应数据集，以此训练来提高模型的鲁棒性。

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～