(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。