m_buddy的博客

1. 前言图像匹配问题是图像领域中较为基础的课题，其发展也从最简单粗暴的模板匹配到现在基于CNN表达的特征匹配，匹配的时效与准确性得到了很大提升。其实从某种意义上来讲模板匹配与目标跟踪存在着一些关联性，对于现有的一些跟踪算法运行过程中目标丢失的情况可以考虑使用模板匹配的方式进行找回，但是这里就需要考虑很多东西了，如目标姿态、光照变化等等因素的影响。如何得到更加鲁棒的模板匹配算法也是一个只得思考的问题。在下面的内容中主要介绍本人认为还不错的算法QATM，并且在之后的内容总结了一些基于CNN的模板匹配算法，

参考代码：video_analyst1. 概述导读：这篇文章指出之前的一些跟踪算法没有深入讨论针对跟踪任务的实质，很多时候只是在某些点上进行突破，因而最后方法的性能总是有局限性的。对此文章深入分析了跟踪网络的特性，因而对跟踪网络的设计提出了4点建议：G1（目标位置估计和目标判别需要接耦，分别具有各自的分支）/G2（目标判别置信度不能与实际相模糊）/G3（不能依赖数据分布等先验知识，否则导致泛化性鲁棒性不强）/G4（目标位置的估计应该准确）。正是基于上的4点设计指导，文章设计了SiamFC++网络，在5

参考代码：pytracking现有的跟踪网络很多都着力于将目标从背景中区分开来，也就是提升前景背景的分辨能力，但是目标位置的准确性（跟踪框于实际目标的重合度）却被低估了，这也就导致了下图1中出现的目标定位位置并不准确的问题。对此文章提出了一个新的跟踪方法ATOM，它由两部分组成：目标位置估计和目标辨别。目标位置估计参考了IoU-Net的位置回归思路（因而在读这篇文章之前需要先搞懂IoU-Net的工作原理），将其移植到了跟踪网络中，因为该任务需要高层级的语义信息用以预测IoU值，因而并不适合在线训练，从而文

参考代码：video_analyst1. 概述导读：文章针对半监督（给定首帧标注数据）的VOS（video objet segmentation）任务提出了一种新的处理pipline（segmentation/ state estimation/ feedback），称为SAT（state aware tracker），其可以实时生成准确的分割结果（很大程度提升点来自correlation）。为了整个pipeline的高效这里也使用了视频帧内在联系，同时为了生成的结果更加稳定鲁棒，引入了两个回馈环（由

参考代码：DaSiamRPN1. 概述导读：这篇文章提出了一种端到端的离线训练网络Siamese region proposal network（Siamese-RPN），它使用大量的成对数据完成网络训练。其中包含的特征提取部分是Siamese网络，以及完成目标分类和边界框回归的RPN子网络部分。在进行infer的时候只需要一次计算目标的特征之后通过correlation layer完成目标的匹配，之后用于目标的跟踪，此外这个方法的一个亮点就是速度很快，能达到160FPS（AlexNet，GTX106

参考代码：Pytorch-SiamFC1. 概述导读：在这篇文章之前对与目标的跟踪是在一个视频上根据目标的外在特征进行在线学习，这样的方法也取得了较为不错的结果，但是这样的方式具有较多的限制性，推广性不是很好。对此文章借助CNN网络设计了一个新的全卷积Siamese网络，并且可以实现端到端的训练，同时也解决了之前CNN网络带来的不能实时的问题。这篇文章的方法简单算作是跟踪领域使用CNN网络比较好的开端文章，由它衍生出来的一系列siamese跟踪网络至今也是效果很好的存在。2. 方法设计这篇文章的