1 Short-term tracking challenge
1.1 测试集
- 60个public dataset公开序列(公测)和60个sequestered dataset隐藏序列(内测)
1.2 公测结果
![](https://i-blog.csdnimg.cn/blog_migrate/ebba2a656b108a1b4774ccd034e8e0cb.png)
- 72个参赛算法中占比最高的是DCF类和SiamNet类,其中38个是DCF类方法占比51%,feature以来自VGGNet的深度特征为主;14个是SiamNet类占比18%,backbone以SiamFC中的AlexNet为主,今年SiamNet类占比大幅提高。
1.3 内测结果
![](https://i-blog.csdnimg.cn/blog_migrate/4ff0590d7e1e5d3a0a68f24b89de780d.png)
- 北邮的MFT是Short-term tracking challenge的冠军,Martin大神的UPDT是第二名。MFT公测和内测都是鲁棒性第一,商汤的SiamRPN公测和内测都是准确性第一,但SiamRPN的鲁棒性在公测和内测中都是前十里面最差的。
- MFT是去年CFWCR的发展,在DCF框架中加multi-resolution和multi-solution,多种特征Res50, SE-Res50, Hog, 和CN组合。
- UPDT是Martin大神ECCV 2018最新工作,在ECO的基础上特征网络换成了ResNet-50,并加入Data Augmentation提取特征,浅层特征和深度特征分治,两部分自适应融合,是SRDCF到C-COT到ECO之后的又一次飞跃。
2 Short-term real-time sub-challenge
2.1 测试集
- 使用公测60个数据集,要求算法速度>20fps后比性能,帧率不够会受到性能惩罚
2.2 测试结果
- 商汤的SiamRPN是Short-term real-time sub-challenge冠军。前10个中有8个都是SiamNet类方法。
3 long-term challenge(2018新增)
3.1 测试集
- LTB35共35个序列,平均每个序列目标消失12次,平均每40帧目标消失一次。评价指标准确度Pr,召回率Re,以及主指标F-measure是Pr和Re的综合。
3.2 测试结果
![](https://i-blog.csdnimg.cn/blog_migrate/7b412a2e57393f01a056bcc4c11f2329.png)
- 15个算法中9个是SiamNet类占比60%,仅4个DCF类。
- 前两名MBMD和DaSiam_LT的F-score遥遥领先,都是SiamNet类方法,而且都是SiamRPN的改进算法,证明SiamRPN潜力巨大。
- MBMD结构包括“一个基于匹配的回归网络和一个基于分类的验证网络”,回归网络类似SiamRPN产生proposal,验证网络类似MDNet分类前背景,有点R-CNN的感觉,但验证网络VGGM太大导致速度很慢,速度只有2FPS。github: https://github.com/xiaobai1217/MBMD.git
- DaSiam_LT是DaSiamRPN的long-term版本,用SiamRPN产生proposal,同时建模Distractor抑制干扰目标的响应,与MBMD优化SiamRPN的思路不同,但速度更快。目标丢失检测的思路非常直接:一旦判断到目标丢失,就扩大检测区域,进行一次全图检测。论文版本DaSiamRPN有110FPS,性能仅比MBMD低了0.003,性价比高很多。
4 总结
- short-term:以DCF+CNN为主,Martin的UDPT贡献巨大,对前几名算法都有影响
- real-time和long-term:大都是SiamNet类方法,尤其SiamRPN潜力巨大,打通了目标跟踪和目标检测。