对比目标跟踪问题中三大尺度估计算法——SAMF，DSST，bboxRR

（以下均为本人在实际实验使用中总结的个人观点）

SAMF：

1，原文：A Scale Adaptive Kernel Correlation Filter Tracker with Feature Integration；
2，个人评价：ICCV的workshop，感觉没什么创新，用了尺度金字塔原理（CV中常见手段），但是本文方法很实用；
3，特点：无参数，不更新，尺度估计是否准确比较依赖于定位器的性能是否鲁棒；
4，优点：虽然尺度估计不准会影响跟踪定位器的学习，但是多尺度搜索天然的可以和定位器定位相互促进，所以相互结合比较稳定，不易出现尺度估计偏移过大情况，除非定位器完全拿目标没有办法~；
5，时间开销：依赖于定位器的定位开销，N-1倍于定位器定位开销（N为金字塔等级数）；
6，应用：广泛应用于SRDCF系列目标跟踪算法（SRDCF,CCOT,ECO）。

DSST：

1，原文：Accurate scale estimation for robust visual tracking && Discriminative Scale Space Tracking；
2，个人评价：Martin大神的PAMI作品，思路新颖，创新型强，但是好玩的是Martin大神自从提出DSST算法后，在自己的跟踪器工作中就从来没用过，用的都是上述的SAMF，从以下的分析中应该不难总结出原因；
3，流程：训练->定位->尺度估计->更新（尺度估计器更新，定位器更新）->定位->尺度估计->更新…
4，缺点：目标变化大则尺度估计不准，对定位器定位精度要求高；
5，优点：不依赖于定位器，如果定位时间较长则使用DSST进行尺度估计是首选，否则不建议使用；
6，时间开销：CPU下大概10ms，主要开销在特征提取上（33*2）次。

bboxRR：

1，原文：Rich feature hierarchies for accurate object detection and semantic segmentation；
2，个人评价：在深度跟踪中，很好用，时间开销小而且利用深度特征还准，建议在深度跟踪中引用；
3，流程：基本同DSST；
4，优点：对目标变化大比DSST鲁棒，对定位器的准确度要求没有DSST高（说白了，你只要和实际目标有0.5以上的overlap就行，但是DSST感觉要求至少有0.8以上的overlap）；
5，缺点：暂时没有很好的更新策略，少有人研究bboxRR在目标跟踪中的问题；
6，时间开销：小，毕竟在GPU下，而且特征提取和定位器共享，2ms没问题。