qq_38680752的博客

Abstract        基于孪生网络的跟踪器将视觉跟踪任务描述为相似度匹配问题。几乎所有流行的孪生跟踪器都是通过目标分支和搜索分支之间的卷积特征互相关来实现相似学习的。然而，由于需要预先确定目标特征区域的大小，这些基于互相关的方法要么保留了大量的不利背景信息，要么丢失了大量的前景信息。此外，目标与搜索区域之间的全局匹配也在很大程度上忽略了目标的结构和部分信息。为了解决该问题，本文提出了一种简单的目标感知Siamese图

3. SiamBAN 框架        在本节中，我们将描述建议的SiamBAN框架。如图2所示，SiamBAN由一个Siamese网络主干网和多个box自适应磁头组成。Siamese网络主干负责计算模板块和搜索块的卷积特征映射，它使用了现成的卷积网络。box自适应头包括分类模块和回归模块。具体来说，分类模块对相关层的每个点进行前-背景分类，回归模块对对应位置进行包围盒预测。图2：提出的box自适应网络的架构。左图为其主

摘要：现有的深度跟踪器主要使用卷积神经网络进行表示，该网络是为通用对象识别任务预先训练的。尽管许多视觉任务都取得了成功，但使用预先训练的深度特征进行视觉跟踪的贡献不如对象识别的贡献大。关键问题是在视觉跟踪中感兴趣的目标可以是具有任意形式的任意对象类。因此，预先训练的深层特征在对这些任意形式的目标建模以将它们与背景区分开来时效率较低。本文提出了一种新的学习目标感知特征的方法，与预先训练的深度特征相比，该方法能够更好地识别出经历显著外观变化的目标。为此，我们开发了一个回归损失和一个等级损失来指导目标活动和规模敏

三、提出的跟踪方法        本章中，作者描述了HASiam。Siamese网络一般是指具有两个相同分支的网络，但对于跟踪问题，最常用的方法是建立两个分辨率不同的分支来进行[17]中的相互关联操作。我们没有直接使用目标特征和搜索区域特征之间的相互关联，而是使用提出的注意网(A-Net)设计目标特征(图3)，并使用注意特征在搜索区域内定位目标。我们采用VGG16实现Siamese网络的分支，在VGG16的每个卷积块后进行互相

快一个月没看论文了，突然觉得心里有点发慌。看看毕业条件，瞬间为自己感到担忧，努力吧，骚年！本文是译文，为了自己阅读方便，可能有不对的地方，有能力的建议看原文https://arxiv.org/pdf/1904.07220.pdf摘要       当前对端到端可训练计算机视觉系统的努力对视觉跟踪任务提出了重大挑战。与大多数其他视觉问题相反，跟踪需要在推理阶段在线学习一个健壮的特定目标外观模型。为了实现端到端的可训练性，目标模型的在线学

本译文为了方便自我阅读，有能力请阅读原版：https://arxiv.org/abs/1911.07241摘要通过将视觉跟踪任务分解为两个子问题，分别是像素类别的分类和该像素处对象边界框的回归，提出了一种新的全卷积孪生网络，以逐像素的方式解决端到端的视觉跟踪问题。该框架由两个简单的子网组成：一个用于特征提取的孪生子网和一个用于边界框预测的分类回归子网。SiamCAR采用在线训练和离线跟踪的策略，在训练过程中不使用任何数据增强。主要贡献有：提出孪生分类和回归框架用于跟踪，框架结构简单，性能强大。提

本文中，作者提出了一个新的基于深度回归和验证网络的长期跟踪框架。利用目标感知特征融合和区域建议网络设计离线训练回归模型，生成一系列候选对象，并有效估计其相似度得分。与短期跟踪相比，长期跟踪任务要求确定被跟踪对象存在或不存在，如果存在则估计精确的包围盒，如果不存在则进行图像范围的重新检测。到目前为止，虽然这项任务更接近于设计实用的跟踪系统，但很少有人尝试。在这项工作中，我们提出了一个新的基于深度回归和验证网络的长期跟踪框架。利用目标感知特征融合和区域建议网络设计离线训练回归模型，生成一系列候选对象，并有效估

摘要：本文提出了一种稀疏鲁棒样本和卷积残差学习的多特征融合跟踪器。首先，引入稀疏鲁棒样本集（SRSS）来提高网络的鲁棒性。在这一过程中，我们首先采用稀疏表示来估计最佳候选，然后利用响应峰值联合检测和遮挡检测来确定样本的污染程度。其次，提出了一种多特征融合残差网络（MRN）及其两个基本分支来捕获不同特征的响应输出，以获得更高的定位精度。针对快速运动和遮挡问题，本文提出了一种稀疏表示方法，并结合最大响应值和遮挡检测来完善样本集。本文的目标是提高卷积神经网络的鲁棒性，通过绘制稀疏表示的目标模板实现。为了提高定位

Meta-Tracker: Fast and Robust Online Adaptation for Visual Object Trackers元跟踪器：视觉对象跟踪器的快速和健壮的在线适应摘要       本文改进了目前最先进的使用在线自适应的视觉对象跟踪器。我们的核心贡献是基于离线元学习的方法来调整用于在线自适应跟踪的初始深度网络。元学习是由深层网络的目标驱动的，深层网络能够快速适应在未来帧中对特定目标进行稳健建模。理想情况