VOT2017视频目标跟踪的结果分析第一名~第十名

VOT2017视频目标跟踪的结果分析第一名~第十名

算法	简介	主要方法	代码地址	论文名称	特征	网上解读
LSART	利用核岭回归分析(KRR)和卷积神经网络(CNN)互补的跟踪。前者侧重于整体的目标,后者关注当地的小区域。他们提出的追踪器以一种新的方式结合了CNN和相关滤波，通过设计算法让CNN专注于特定区域的回归，相关滤波专注于全局的回归，在最后对回归的结果进行组合，以互补的方式得到物体的精确定位。	核岭分析(KRR)和卷积神经网络(CNN)互补的跟踪	无	Learning spatialaware regressions for visual tracking	Conv4-3VGG-16 Hog colour naming	无
CFWCR	采用高效的卷积运算符跟踪器为基准的方法。采用相关滤波的框架，抛弃传统特征，只使用CNN特征，使用了单CNN特征的多尺度追踪方案，减少了特征冗余，缓解了模型过拟合，使追踪器在速度和精度上都有不小的提高。在实验中，发现CNN的浅层特征具有物体轮廓的信息，高层的深度特征具有物体的语义信息，将CNN的浅层和高层特征进行融合，能使追踪器具有很好的性能。	采用相关滤波的框架	https://github.com/he010103/CFWCR.git	在ECO的基础上做的改进： ECO:efficient convolution operators for tracking.	深度学习特征 hog特征 colour naming	http://news.hexun.com/2017-11-04/191508399.html
CFCF	基于特征学习研究和基于相关滤波器的跟踪。该跟踪器采用完全卷积神经网络(CNN)模型训练	基于特征学习研究和基于相关滤波器	https://github.com/egundogdu/CFCF	Good features to correlate for visual tracking	卷积神经网络 hog colour naming	无
ECO	ECO改进了:1对卷积操作进行因式分解，减少模型参数， 2，简化了训练集生成，并保证Sample多样性   3，改进模型更新策略。                                              ECO好的原因：1.特征全面(CNN,HOG,CN);2. 相关滤波器经过筛选更具代表性，防止过拟合；3. 训练样本具有多样性，减少冗余；4. 非每帧更新模型，防止模型漂移	深度特征和相关滤波	https://github.com/martin-danelljan/ECO	ECO:efficient convolution operators for tracking.	卷积神经网络 hog colour naming	http://blog.csdn.net/linolzhang/article/details/72824753?locationNum=3&fps=1
Gnet	集成功能与空间的正则化模型和生态模型。在这两种情况下,它是发现了跟踪精度的增加。不同组合的空间正则化模型层评估。他们发现了，在直接与先前研究的发表的论文VGGNet上面的推荐使用浅层次的跟踪论证的基础上,浅层次有更多的分辨率,因此可以用于对象定位。	空间正则化模型(SRDCF)和ECO模型	无	无	无	无
MCCT	是基于有识别力的相关性过滤器框架的。通过结合不同类型的特性,构造多个特征和他们每个特征单独跟踪目标。通过提出的鲁棒性评价策略,选择合适的特征对每一帧的跟踪。此外,多个特征的差异揭示了当前跟踪的可靠性,有助于更新，	相关滤波框架	无	无	通过结合不同类型的特性,构造多个特征和他们每个特征单独跟踪目标。	无
C-COT	C-COT使用深度神经网络VGG-net提取特征，通过立方插值，将不同分辨率的特征图插值到连续空间域，再应用Hessian矩阵可以求得亚像素精度的目标位置（就和SURF、SIFT里面获取亚像素精度特征点的思想类似）。确定插值方程之后，还解决了在连续空间域进行训练的问题。学习在连续空间域问题。这使自然和有效融合的多分辨率特性地图,连续的方法也可以高度准确的亚像素细分定位。	有识别能力的连续卷积模型	https://github.com/martin-danelljan/Continuous-ConvOp	Beyond Correlation Filters:Learning Continuous Convolution Operators for Visual Tracking	数据集： otb -2015 Temple-Color VOT2015[29]	http://www.p-chao.com/2017-04-20/图像跟踪（十）c-cot算法：连续空间域的卷积操作/
CSRDCF	改善判别式相关过滤器追踪器通过引入两个概念:空间可靠性和通道可靠性。它使用颜色分割空间去调整滤波器可靠性支持的一部分适合跟踪对象。通道可靠性反映每个过滤通道的辨别力。	传统方法，相关滤波框架	无	Discriminative correlation filter with channel and spatial Reliability	hog colour naming	无
SaimDCF	是一个端到端的多任务学习的基础跟踪器,这两个任务同时的目的是学习互利共赢。使用任务的低级功能是利用相似性来为了精确跟踪;捕获高级特性使用了SiameseFC算法的鲁棒跟踪。	端到端的多任务学习的基础跟踪器	无	无	hog	无
MCPF	它是学习多任务关联粒子滤波强劲的视觉跟踪。首先,它可以指导采样粒子向目标状态的模式通过MCF分布,从而导致鲁棒跟踪性能。第二,它能有效地通过粒子采样策略处理大规模的变化。第三,它可以比传统粒子过滤器更有效地维护多个模式的后验密度,使用更少的粒子从而降低计算成本.	多任务关联粒子滤波强劲的视觉跟踪	http://nlpr-web.ia.ac.cn/mmc/homepage/tzzhang/mcpf.html	Multi-task Correlation Particle Filter for Robust Object Tracking	hog colour naming	http://www.fxyqpx.org/tis/html/20150309.htm
Staple	它结合了两个对互补因素敏感的图像补丁，以学习一个对颜色变化和变化本质上很强的模型，为了保持实时速度，解决了两个独立的脊线回归问题，利用每个表示的固有结构，与其他融合多个模型预测的算法相比，跟踪器将密集翻译搜索中的两个模型的分数相结合，从而实现更高的准确性。 这两个模型的关键性质在于它们的分数在大小上相似，并表明其可靠性，因此预测由更自信的主导。令人惊讶的结果是，即使以相对滤波器（使用HOG特征）和全局颜色直方图的简单组合，在超过80 FPS的速度下运行时，在多个基准测试中胜过更多复杂的跟踪器	相关滤波器	https://github.com/bertinetto/staple	Staple Complementary Learners for Real-Time Tracking	hog colour naming	http://blog.csdn.net/crazyice521/article/details/65658513
LMCF	用了结构化SVM作为分类器，有着强大的判别能力，并引入了相关滤波，通过循环采样增加了训练样本的数量同时进行加速。我们利用多峰检测避免了相似物体和背景干扰。针对模型更新环节，提出了简单有效的模型更新策略，大大减少了模型漂移的情况，同时减少了模型更新的次数，达到了再次加速的效果。我们的方法不依赖于具体特征，可以根据实际情况使用传统特征或者深度特征。在实验中，我们验证了LMCF的高效和高精度。	相关滤波器	https://pan.baidu.com/s/1eSnHTf0  提取码：7q1g	Large Margin Object Tracking with Circulant Feature Maps	hog colour naming 卷积神经网络	https://zhuanlan.zhihu.com/p/25761718