SINT++是cvpr2018的一篇关于深度学习在目标跟踪的应用的论文,在这篇文论中,作者认为深度学习在实际目标追踪中存在训练数据不足的问题,由此提出基于SINT的优化算法SINT++。深度学习开始引入目标跟踪领域时,无论是在Success plot of OPE还是Precision plot of OPE结果图上都取得可观的实验结果,之后得到很多人的关注。近年来,目标跟踪比较主流的两个方向是基于相关滤波的目标跟踪方法和基于深度学习的目标跟踪方法,相较于传统的追踪方法,相关滤波在实际的视觉跟踪中速度得到很大幅度的提升,而深度学习得到的深度特征比传统的手工特征更加精确,所以也有人后继将两者结合,比如ECO等。但是训练数据的不足是深度学习在目标跟踪领域的应用中一直在攻克的难题,在这方面,研究者们不断提出新的策略。
SINT++认为单纯的扩大数据集并不能有效提高跟踪器的鲁棒性,原因是即使数据集足够大也很难包含非常稀少的目标遮挡的情况,这个稀少的情况在A-Fast-RCNN一文中有提及。因此,SINT++提出如何让强化学习来丰富训练数据提高追踪的鲁棒性。该文整体上分为三个主要框架:
1)Positive sample generation(PSGN)
2)Hard positive transformation generation network(HPTN)
3)Siamese instance search network(SINT)