基于DCF的跟踪算法综述
1. SRDCF(2015,ICCV,Martin Danelljan)
a.问题:
DCF方法利用训练样本的周期假设在目标领域训练分类器,解决了缺少训练数据的问题,但是引入了边界效应,降低了跟踪模型的质量
b.贡献:
引入了“spatial regularization component",利用其空间位置来惩罚相关滤波器的系数
c.优化方法:
基于迭代高斯赛德尔
2.ATOM(2019,CVPR,Martin Danelljan)
a.问题:
自2018VOT,tracking 重classification轻target estimation,分类依赖于执行多尺度搜索,然而target estimation是个艰巨的任务。
拓展知识:tracking=classification+target estimation
b.贡献:
提出新的跟踪框架:
1.专门的target estimation(offline)–》predict the overlap between target object and estimated bounding box;–>introduce a modulation-based metwork component;
2.classification(online):在干扰物存在时也具有高差分能力