CVPR2018 单目标跟踪部分论文

2：对于新引入的语义分支，此算法进一步提出了通道注意力机制。在使用网络提取目标物体的特征时，不同的目标激活不同的特征通道，作者对被激活的通道赋予高的权值，此算法通过目标物体在网络特定层中的响应计算这些不同层的权值。

3：Motivation：目标跟踪的特点是，作者从众多背景中区分出变化的目标物体，其中难点为：背景和变化。此算法的思想是用一个语义分支过滤掉背景，同时用一个外观特征分支来泛化目标的变化，如果一个物体被语义分支判定为不是背景，并且被外观特征分支判断为该物体由目标物体变化而来，那就认为这个物体即需要被跟踪的物体；
4：此算法的目的是提升SiamFC在目标跟踪任务中的判别力。作者提出了SA-Siam，这是一个双重Siamese网络，由语义分支和外观分支组成。每一个分支都使用Siamese网络结构计算候选图片和目标图片的相似度。为了保持两个分支的独立性，两个Siamese网络在训练过程中没有任何关系，仅仅在测试过程中才会结合。

语义分支权重：外观分支权重 = 7：3

OTB实验：OTB-2013（0.896，0.677），OTB-2015（0.865，0.657）

本文创新的地方在于：
1. 两种加噪声的操作，既增加了鲁棒性，又相当于数据增强。
2. 为了自编码器的平稳训练和防过拟合提出了multi-stage distance loss。
3. 最后移除相应低的通道和自编码器针对通道而不针对图像大小。

精度：

1. 通过将空间和时间正则化纳入 DCF 框架，提出了 STRCF 模型。基于在线 PA 的 STRCF 不仅可以合理地逼近多幅训练图像上的 SRDCF 形式，而且在较大的外观变化情况下比 SRDCF 具有更强的鲁棒性。
2. 为高效求解 STRCF，开发了一种 ADMM 算法，其中每个子问题都有封闭形式的解。并且本文提出的算法可以在非常少的迭代中经验地收敛。
3. 本文提出的 STRCF 具有人工设计的特征，可以实时运行，相比 SRDCF 在准确率上有了显著的提升。

2.采用Siamese结构，分为historical branch和current branch. 在historical branch里面，进行Flow的提取和warp，

3.在融合阶段，我们设计了一种spatial-temporal attention的机制.

4.在current branch，只提取特征. Siamese结构两支出来的特征送进DCF layer, 得到response map.

总结来说，就是把Flow提取，warp操作，特征提取和融合，CF tracking都做成了网络的layer，端到端地训练它们。

1. 此算法在VGG-M模型基础上进行改进，在最后一个卷积层和第一个全连接层之间增加了一个产生式网络，从而达到在特征空间增强正样本的目的。具体的，产生式网络输入为目标特征，输出为一个mask矩阵，该mask矩阵作用于目标特征后表示目标的一种外观变化。通过对抗学习，该产生式网络可以产生能保留目标特征中最鲁棒部分的mask矩阵。最终，训练得到的产生式网络生成的mask矩阵可以对判别力强的特征进行削弱，防止判别器过拟合于某个样本。
2. 此算法提出了一个高阶敏感损失来减小简单负样本对于分类器训练的影响，这个道理很简单，那些明明很容易被分类正确的负样本其实在训练过程中也会产生损失，然而不希望网络关注这些损失，因为关注他们反而会使得网络性能变差，实验证明，此算法提出的新的损失函数不但可以提升精度，同时可以加速训练的收敛。

2.正负样本之间存在严重的不均衡分布的问题；
针对上述问题，本文提出 VITAL 这个算法来解决，主要思路如下：
1.为了丰富正样本，作者采用生成式网络来随机生成mask，且这些mask作用在输入特征上来捕获目标物体的一系列变化。在对抗学习的作用下，作者的网络能够识别出在整个时序中哪一种mask保留了目标物体的鲁邦性特征；
2.在解决正负样本不均衡的问题中，本文提出了一个高阶敏感损失来减小简单负样本对于分类器训练的影响。

两种特征区别对待，分而治之，深度特征负责鲁棒性，浅层特征负责准确性，两种检测响应图在最后阶段自适应融合，目标定位最优化，兼具两者的优势。

重新定义KRR中核的计算以及KRR的求解方法

1，用将目标分割成部件的思想定义了新的求核相关值的方法，并将该方法融入到CNN中作为一个组件进行高效求解；

2，在CNN用于跟踪的任务中提出了空间正则化方法（类似SRDCF思想），主要做法是通过学习强制让CNN的各个通道分别关注于目标特定的子区域；

3，提出了适用于跟踪的新的Pooling方法：distance transform pooling用于判断CNN输出层的有效性；

4，将1和2中的结果进行融合，共同确定目标位置；

1. VOT2017 比赛性能第一；
2. 速度：1fps，没有实时；
3. OTB-100性能：精度——0.923，覆盖率——0.672；

2.为了增加网络的判别能力，一个通用的attention似乎并不够。CF根据每个模板图像进行学习，得到很好的判别器。作者也模仿这个机制，根据第一帧图像的feature，使用网络学习一个动态的attention。

3.能让网络学习的就学习，尽量避免在线学习。

4.提出残差结构，希望残差学习的部分的均值近似为0。