Siamese Instance Search for Tracking 阅读笔记

这是一篇CVPR2016的用DL思想解决Tracking的文章。文章思想简单易懂，但是效果却很好，在OTB50上获得了 state-of-the-art。

核心思想：

通过Siamese网络学习一个匹配函数。在得到第一帧目标信息后，接下来的所有帧采样后都和第一帧目标进行匹配度计算，得分最高的即为目标。（ps：这里，算法设计的核心思想在于永远和第一帧的目标进行匹配度计算，这样就会有一下几个好处：目标被遮挡后不用担心无法找回，因为网络不更新，则遮挡物不会影响网络性能；目标丢失在视频中后不用担心再出现的时候找不到，原因同上）

首先，作者突出强调，他们的方法有如下几个特点：

1，模型一旦训练完成，在跟踪的过程中不需要模型更新（这在DL用于tracking中基本上是速度快所必需的，MDNet很慢主要是因为他需要在线finetune，如果不需要finetune过程的话，那么仅仅前向传播速度会很快）

2，仅仅一个模型就可以搞定，不需要额外的东西（比如TLD需要检测部分）

3，匹配函数的训练不需要指定特定类别的目标，即在使用中可以跟踪训练过程中没有见过的目标，也就是说即使训练过程中没有狗这幅图像，也可以在使用的过程中跟踪狗这个目标（换一种思路解决跟踪问题，这种思路鲁棒性很强）

作者的思想出发点：

跟踪问题归根结底在学习一个匹配模型，使得在即将到来的一帧图像中目标物体可以和模型有最好的匹配度，然而，当目标收到遮挡、变形、旋转等不利因素的影响后会大大降低匹配的可信度，当然，我们