【论文阅读】目标跟踪： UpdateNet - 精读笔记 （通读第一遍）

目标跟踪基础与智能前沿

寻找 目标跟踪方向的小伙伴，如果你苦于没有地方可以和同方向的小伙伴交流，我们创建了一个交流群，点上方链接可以进入，每周的交流活动通过该号宣传，群里随时随地可以展开讨论，无论是学术交流，还是环境配置，实验讲解，欢迎加入我们，一起交流进步！
点击上方链接，微信关注回复"数据集"，获得目标跟踪几大经典数据集下载链接。

---

Abstract

1、[现有方法的方式，存在的问题 不足和后果]

【孪生网络方法】： 解决目标跟踪问题，通过 提取当前帧特征，用于从下一帧中定位。

【孪生网络方法提取的template】：先前frame提取的 accumulated template的线性组合。

【导致的后果】 随着时间 指数衰减 resulting in an exponential decay of information over time .

【？】linerly combined：

2、[指出现有方法缺点，引入本文方法，本文方法的优点]

While such an approach to updating has led to improved results, its simplicity limits the potential gain likely to be obtained by learning to update.

• 尽管这种更新方法可以改善结果，但其简单性限制了通过学习更新可能获得的潜在收益。

We use a convolutional neural network, called UpdateNet, which given the initial template, the accumu- lated template and the template of the current frame aims to estimate the optimal template for the next frame.

• 我们使用一个称为UpdateNet的卷积神经网络，该网络给出了初始模板，累积模板和当前帧的模板，目的是估计下一帧的最佳模板。

【UpdateNet 】：卷积网络，提供 initial template\ accumulated templated \ current frame template

【UpdateNet 优点 】： 紧凑compact , 很容易集成到现有Siamese trackers 中。

3、[实验验证，benchmark的选取，证明结果，提升的效果]

We demonstrate the generality
of the proposed approach by applying it to two Siamese
trackers, SiamFC and DaSiamRPN. Extensive experiments
on VOT2016, VOT2018, LaSOT, and TrackingNet datasets
demonstrate that our UpdateNet effectively predicts the new
target template, outperforming the standard linear update.

• 我们通过将其应用于两个Siamese跟踪器SiamFC和DaSiamRPN来证明该方法的一般性。 在VOT2016，VOT2018，LaSOT和TrackingNet数据集上进行的大量实验表明，我们的UpdateNet有效地预测了新的目标模板，优于标准的线性更新。

【对比跟踪器】SiamFC & DaSiamRPN

【数据集】 VOT2016 、VOT2018 LaSOT 、TrackingNet 。

在DaSiamRPN ，提升了3.9%

Introduction

1、介绍本论文研究的问题的总背景，方法，难点

Generic visual object tracking is the task of predicting
the location of a target object in every frame of a video, given its initial location.

• 通用视觉对象跟踪是在 给定视频对象的 初始位置的情况下 预测目标对象在视频每一帧中的位置的任