单目标跟踪论文整理

boomluo

已于 2022-03-31 10:41:47 修改

阅读量1.1k

点赞数 4

分类专栏：论文阅读笔记文章标签：目标跟踪计算机视觉人工智能

于 2022-02-20 19:57:11 首次发布

本文链接：https://blog.csdn.net/boom_luo/article/details/122621544

版权

论文阅读笔记专栏收录该内容

1 篇文章 0 订阅

订阅专栏

更新时间：2022.1.21

Siamese系列跟踪网络

可以参考大佬博客

1、Siam FC（CVPR2016）

题目：Fully-Convolutional Siamese Networks for Object Tracking
论文地址：arxiv，readpaper

作为孪生跟踪网络的开山鼻祖，Siam FC将跟踪当做一个配对问题，即把第一帧的目标当做模板，在搜索帧中匹配相似度最高的目标。通过一对孪生特征提取网络分别提取模板帧和搜索帧的特征，再将两个特征进行相似度计算。
Archtecture of Siam FC

2、Siam RPN（CVPR2018）

题目：High Performance Visual Tracking with Siamese Region Proposal
Network
论文地址：CVPR，readpaper

由于Siam FC的问题在于跟踪框不够灵活，所以Siam RPN便加入了目标检测的RPN结构，让跟踪框更加的准确，并且省去多尺度测试耗费的时间。
Archtecture of Siam RPN

3、Global Track（AAAI2020）

题目：GlobalTrack: A Simple and Strong Baseline for Long-term Tracking
论文地址：AAAI，arxiv，readpaper
代码地址：https://github.com/huanglianghua/GlobalTrack

GlobalTrack 算法将目标跟踪与 Faster RCNN 结合，将跟踪任务视为模板引导的全局实例检测问题。
GlobalTrack 提出了一种查询引导的 RPN，其中的关键思想是使用相关性对特征提取网络中的模板信息进行编码。然后，查询引导的 RCNN 负责完善候选框的分类标签和坐标的预测。

Transformer启发

1、Transformer Tracking（CVPR2021）

题目：Transformer Tracking
论文地址：CVPR，readpaper
代码：github
好文解读：博客地址

最近流行的基于孪生网络的跟踪器主要采用correlation operation的融合方式来考虑模板与搜索区域之间的相似性，但是correlation operation本身是一个局部线性匹配过程，导致语义信息丢失，容易进入局部最优。
在Transformer的启发下，作者提出了一种新的attention-based的特征融合网络，有效地将模板和搜索区域特征完全结合在一起。
TransT
ECA and CFA

2、Transformer Meets Tracker（CVPR2021）

题目：Transformer Meets Tracker Exploiting Temporal Context for Robust
Visual
论文地址：CVPR，readpaper
代码：github
好文解读：博客地址

在视频目标跟踪中，连续帧之间存在丰富的时间上下文信息，在现有的跟踪器中已大大忽略了这些上下文信息。所以作者考虑将 Transformer 引入到 Tracking framework 中，借助 Transformer 模块学习视频中的时序信息以辅助跟踪。并在 Siamese tracker 和 DCF tracker 上进行了结合，在多个数据集上都得到了不错的结果。

TransformerMeetTracker