第5章 Siamese网络用于跟踪 CVPR 2016

参看论文：Tao R, Gavves E, Smeulders A W, 等. Siamese Instance Search for Tracking[J]. computer vision and pattern recognition, 2016: 1420-1429.

会议水平：CVPR2016

投稿单位：https://ivi.fnwi.uva.nl/quva/ 弗吉尼亚理工深度学习组的研究成果

comment ：通过运用孪生网络的匹配特性实现目标跟踪，这一思路并不难被提出。事实上，目标跟踪领域中存在大量基于目标检测（即匹配）的分支方法。在未来较长时间内，围绕孪生网络展开的跟踪策略在应对长时间（long-term）跟踪问题方面，极有可能成为研究热点。然而，与DCF及其衍生出的CNN-DCF所表现出的优异跟踪性能相比，Siamese方法仍面临诸多挑战。首先，如何将时间场效应（temporal smooth）有效融入基于匹配的跟踪框架之中？其次，在模型中引入注意力机制也将是关键难题之一。此外，若希望该方法具备广泛适用性，则网络结构不宜过于复杂或深度过大，否则会影响实时性表现。因此，在提升精度的同时兼顾运行速度，始终是目标跟踪领域亟待解决的核心问题。

1. 摘要 及 目的

作者设计了一种与现有顶级跟踪算法截然不同的新型跟踪方法，该方法摒弃了模型更