【阅读笔记】抗遮挡目标跟踪的模型学习综述

1. 基于高质量训练样本的跟踪算法

【待更新】

2. 基于有效学习策略的跟踪算法

2.1 构建稳定模型的被动学习策略

（1）基于时间一致性的学习策略

训练期间约束模板，使其倾向于历史帧，避免模型过度依赖邻近帧，缓解过拟合短期出现的遮挡等受损信息，提高了跟踪变化外观较大对象的时序稳定性，对遮挡、平面内旋转等属性友好。
虽然弥补恶了模型易被遮挡等剧烈形变振带来的污染问题，但是忽略了前后帧物体的时序关联信息，且改善程度受特征质量的局限，对外观突变等属性敏感，在较长时间遮挡或者形变场景下仍无法避免模型退化问题。

（2）基于自适应外观的学习策略

自适应判断学习未被遮挡的可靠区域特征信息。自适应空间正则化项，对未被遮挡不可靠区域给予更大惩罚，将滤波器注意力牵引至未被遮挡的可靠区域，学习可靠目标空间信息。
忽略了时序鲁棒信息，时间损耗严重。
相比于时间一致性方法，该方法抗遮挡效果更佳。

（3）基于多模态专家的学习策略

在遮挡时漂移或者跟踪失败时，通过维护外观模型集合，选择可靠校正模型校正错误跟踪状态，捕获长时序上的鲁棒特征。
对模态、专家成分有较高要求，特征信息存储内存消耗问题。容易长期学习错误信息，累积误差。

2.2适于跟踪的主动学习策略

（1）特征策略

融合多层、多类型特征信息。

（2）多域学习策略

以跟踪序列数据作为训练样本，多分支结构捕获对跟踪各域不敏感的鲁棒适用特征。

（3）对抗生成学习策略

学习识别长期鲁棒性而非判别性特征信息。

（4）干扰感知学习策略

增加对相似干扰物惩罚，优化学习样本质量

（5）目标感知学习策略

专注构造特定跟踪对象模型，贴近实例跟踪任务。

3. 基于可靠更新策略的跟踪算法

提高遮挡目标跟踪稳定性的方案思路为：通过有效决策机制为模型提供恰当更新时机，防遮挡等受损情况下的不当更新；稳健更新模型方案，适应对象外观变化的同时，校准漂移、干扰等错误状态。

（1）有效决策更新机制

一般包含手工设计置信度和自适应决策两种方式。
1）手工设计置信度
对于手工设计置信度的决策方式，由于生成式模型和判别式模型的基本思路不同，置信度表达也不同。生成式模型选择重构误差最小的候选目标，置信度函数是相似性度量函数，常见的置信度指标是欧式距离、加权距离、互相关、Bhattacharyya系数、Hausdorff距离；判别式模型是二分类任务，根据判别函数从背景中分离目标模型，其置信度函数是分类器响应函数，主要置信度指标是最大响应值、PSLR、APCE。
置信度更新思路：
1）关联时序信息，可检测对应响应图波动的遮挡情况；
2）增加质量评估可靠性，缓解模型误判遮挡物等语义样本；
3）结合多类型置信度判断，通过更多关键信息提高多类型复杂场景的评估可靠性。
下方为代表性置信度指标和特点：
手工设计的置信度指标虽然在一定程度上可以改善跟踪的稳定性，但是缺乏自适应性，判断复杂场景容易出现误差。
2）自适应决策
自适应学习更新决策，通过训练网络学习最佳更新控制条件，在跟踪时根据当前帧更新需求判断更新节点。

小结：
人工设计置信度指标能有效检测到在遮挡、平面内旋转等形变帧的不可靠状态，改善跟踪器鲁棒性，但仍有较大的场景局限性，且因观测模型的质量与置信度设计相关，因此有时置信度指标高低也不能完全反映跟踪状态。
自适应更新策略让模型学会判断何时更新，决策模型初始化时机处理全遮挡、长时遮挡、出视野的问题，但是网络结构复杂，耗时严重。

（2）稳定可靠更新方案

包含了基于时序记忆模型和自适应古迹的更新策略。
低频更新算法：能更好抵抗环境语义干扰不利因素，更新方案需要专注拟合变化目标，防止损失大量在线外观信息而丢失目标。
高频更新算法：及时拟合对象变化表观，更新方案需要注重如何从错误更新中恢复校正状态，防止错误累积。
经典更新策略：不更新、逐帧更新、固定帧更新、置信度更新、长短期更新。

1）基于时序记忆的更新
通过时序明星的建立维护和有效更新管理方案，存储各时序关键信息，在遭遇遮挡等外观突变时激活调用，发挥长时跟踪中校正错误更新，避免模型退化的作用。具有线性更新的局限性。
2）自适应估计更新
自适应选择方案：以模型和特征池的选取为研究对象
自适应生成模板更新方案：在部分遮挡等形变时可局部更新可靠区域