参看论文:Tao R, Gavves E, Smeulders A W, et al. Siamese Instance Search for Tracking[J]. computer vision and pattern recognition, 2016: 1420-1429.
会议水平:CVPR2016
投稿单位:https://ivi.fnwi.uva.nl/quva/ 弗吉尼亚理工深度学习组的工作
comment:利用孪生网络的匹配能力进行跟踪,这种思想不难想到。跟踪的很大的一个分支就是基于目标检测(匹配)的跟踪。在以后相当长的一段时间里,基于孪生网络的跟踪方案并解决长时间(long-term)问题一定是跟踪领域的热点。但相比于DCF及其衍生的CNN-DCF优秀的跟踪性能,Siamese还有相当长的路要走。一方面,基于匹配的跟踪何如引入时间场效应(temporal smooth)?如何引入attention机制将是难点。此外,如果想成为一种普适性的方法,很显然网络不能太复杂太深,否则时效性不好,平衡精度与速度始终是跟踪领域两座大山。
1. 摘要 及 目的
作者提出一个和之前顶级跟踪器都不一样的新型跟踪器,没有模型更新,没有遮挡检测,没有跟踪器级联和重检测,也没有几何匹配(就是啥也没有,完全依赖深度卷积强大的特征表达能力)。方法就是用学习到的匹配函数进行最佳块匹配策略。
以DCF为核心的方法征服整个跟踪领域的途中,偶然出现一篇