2020 SiamCAR: Siamese Fully Convolutional Classification and Regression for Visual Tracki

用于视觉跟踪的孪生网路分类和回归
SiamCAR: Siamese Fully Convolutional Classification and Regression for Visual Tracking
可见链接论文讲解

https://blog.csdn.net/qq_38680752/article/details/107344270?ops_request_misc=%25257B%252522request%25255Fid%252522%25253A%252522160803246016780304657147%252522%25252C%252522scm%252522%25253A%25252220140713.130102334.pc%25255Fall.%252522%25257D&request_id=160803246016780304657147&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2_allfirst_rank_v2~rank_v29-1-107344270.pc_search_result_no_baidu_js&utm_term=Siamese%20Fully%20Convolutional%20Classification%20and%20Regression%20for%20Visual%20Tracking
本文是一种无锚框的检测跟踪框架，分类分支旨在预测标签的每个空间位置，而回归分支考虑将每个空间位置回归至一个相对边界框，通过这种分解可以将像素预测的方式解决跟踪任务。直接采用一个唯一的反应图直接预测物体位置和边界框。采用在线训练和离线跟踪的形式，不需要数据增强。
提出孪生分类和回归的框架
无锚无区域推荐网络，故减少了超参量

SiamCAR示意图：左侧是一个具有深度互相关层（用⋆表示）的暹罗子网，用于多通道响应图提取。右侧为包围盒预测的分类和回归子网，用于从多通道响应图中解码目标的位置和比例信息。注意，SiamCAR可以实现为一个完全卷积的网络，它是简单、整洁和易于解释的。
使用锚框则要仔细调整超参数，并且由于锚框的大小和纵横比是固定的，因此即使调整了超参数，但这些跟踪器在处理较大的形状变化和姿态变化时仍然有困难。
分类和回归两个子问题，然后用每像素的方式求解，主要两个框架一个是特征提取的孪生网络一个是保卫框预测的网络。