VOT 2018

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

• 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

• 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

• 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。

5 参考

https://www.zhihu.com/search?q=VOT2018 评价指标&type=content