fnoi2014xtx的博客

Paper : SiamRPN++: Evolution of Siamese Visual Tracking with Very Deep NetworksCode : official摘要作者研究的核心是如何将网络深度较深的结构应用到SiamRPN网络中。作者发现现有的SiamRPN以及它的改进大多使用AlexNet等相对来说深度比较低的CNN结构进行feature extraction，而使用例如ResNet之类深度较深的结构对于Object Tracking任务来说并没有明显的提升。作者经.

Paper : Distractor-aware Siamese Networks for Visual Object TrackingCode : official摘要作者在做完SiamRPN之后，发现虽然跟踪的框已经回归地比较好了，但是响应的分数仍然相当不可靠，具体表现为在丢失目标的时候，分类的分数仍然比较高。作者认为这主要是由于以下两点造成的正样本种类不够多，导致模型的泛化性能不够强在之前的孪生网络训练中, 负样本过于简单，很多是没有语义信息的，只是单纯的背景因此，作者针对这两个问.

Paper : High Performance Visual Tracking with Siamese Region Proposal NetworkCode : unofficial摘要之前在阅读SiamFC的时候就感觉目标追踪与物体检测在候选框生成上可以有很多互相借鉴的地方，而且SiamFC存在两个问题：一个是遍历的方法容易成为时间瓶颈，另一个是定位框处理有点太粗糙了，不仅固定了尺寸还固定了长宽比。在目标检测上提出的RPN迟早要迁移到物体追踪的任务中。因此商汤在CVPR2018中掏出了一篇.

Paper : End-to-end representation learning for Correlation Filter based trackingCode : official摘要本文的主要贡献在于将相关滤波器完美融入到了神经网络中，通过给出正向传播和反向传播的公式使得相关滤波器成为神经网络中可学习的一层。其他的结构继承自Siam-FC，从孪生神经网络和特征提取的结构来说没有什么创新，因此本文着重介绍CF block的形式和反向传播结果。作者发现，对于层数较多的CNN来说CF层的引入.

Paper : Visual Object Tracking using Adaptive Correlation FiltersCode :摘要视觉跟踪任务需要在一帧的画面上训练鲁棒的滤波器，并随着目标对象的形变动态适应。作者提出了提供了一种新型的相关滤波器——平方误差最小输出和滤波器(MOSSE)，其可以在初始帧上产生稳定的相关滤波器，并随着光照、尺度、非刚性形变等变化进行动态适应，同时能够达到每秒669帧的速度。是否产生遮挡是根据PSR指数进行判断，跟踪器在对象消失时暂停检测并停止相关滤波器.