对话框回答“paper61”获取论文打包***地址

目标跟踪一贯是打算机视觉领域的研究热点，中科院自动化所整理了一些供同学参考学习的Paper，包括3篇综述和2篇入选ICCV 2019的论文。

一、单目标跟踪综述

Deep Learning for Visual Tracking: A Comprehensive Survey

Mojtaba Marvasti，Zadeh Seyed，Cheng Li，Ghanei，Yakhdan Hossein，Kasaei Shohreh

视觉目标跟踪是打算机视觉领域中最热门但最具寻衅性的研究主题之一。
目前已经建立了许多大规模的基准数据集，并在此根本上开拓了许多方法，并证明了这些方法在近年来取得了重大进展-。
这项研究旨在系统地调查当前基于DL的视觉跟踪方法，基准数据集和评估指标。
它广泛评估和剖析了领先的视觉跟踪方法。
首先，从以下六个关键方面总结了基于DL的方法的基本特色，紧张动机和贡献：网络架构，网络开拓，网络培训，用于视觉跟踪，网络目标，网络输出以及利用干系过滤器的上风。
其次，比较了盛行的视觉跟踪基准及其各自的属性，并总结了它们的评估指标。
第三，在OTB2013，OTB2015，VOT2018和LaSOT等一系列公认的基准上，对基于DL的最新方法进行了全面检测。
末了，通过对这些最新方法进行定量和定性的批驳性剖析，研究了它们在各种常见情形下的利弊。

二、多目标跟踪综述

Deep learning in video multi-object tracking: A survey

Gioele Ciaparrone，Francisco LuqueSánchez，Siham Tabik，Luigi Troiano，Roberto Tagliaferri，Francisco Herrera

多目标跟踪（Muti-object Tracking，MOT）的问题在于要遵照序列中不同目标（常日是***）的轨迹。
近年来，供应办理此问题的算法得益于深度模型的表示能力。
本文对采取深度学习模型办理单摄像机***中的MOT任务的作品进行了全面的调查。
确定了MOT算法的四个紧张步骤，并对这些阶段的每个阶段如何利用深度学习进行了深入回顾。
作者还在三个MOTChallenge数据集上进行了完全的实验比较，确定了表现最好的方法之间的许多相似之处，并提出了一些可能的未来研究方向。

三、目标跟踪与目标分割综述

Video Object Segmentation and Tracking: A Survey

Rui Yao, GuoSheng Lin, ShiXiong Xia, JiAQi Zhao, and Yong Zhou

工具分割和工具跟踪是打算机视觉领域的根本研究领域。
这两个主题很难处理一些常见的寻衅，例如遮挡，变形，运动模糊和缩放比例变革。
前者包含异类工具，交互工具，边缘模糊性和形状繁芜性。
后者在快速运动，视线外和实时处理方面存在困难。
将***工具分割和跟踪（Video Object Segmentation and Tracking，VOST）这两个问题结合起来可以战胜它们各自的困难并提高其性能。
VOST可以广泛地运用于许多实际场景，例如***择要，高清***压缩，人机交互和自动驾驶。
本文旨在全面先容最新的跟踪方法，并将这些方法分为不同种别，以研究新趋势。
首先，我们供应了现有的分层分类方法，包括无监督的VOS，半监督的VOS，交互式VOS，弱监督的VOS和基于分的跟踪方法。
其次，我们对不同方法的技能特色进行了详细的谈论和概述。
第三，我们总结了干系***数据集的特色，并供应了多种评估指标。
末了，我们选出了一组有趣的未来作品，并得出了自己的结论。
以及基于细分的跟踪方法。

Learning Discriminative Model Prediction for Tracking

Goutam Bhat，Martin Danelljan，Luc Van Gool，Radu Timofte

源码地址：https://github.com/ visionml/pytracking

当前对端到端可演习打算机视觉系统的发展对视觉跟踪的任务提出了重大寻衅。
与大多数视觉问题比较，跟踪须要在推理阶段在线学习精良的靶向目标的外不雅观模型。
为了实现端到真个演习，目标模型的在线学习因此须要嵌入到跟踪体系构造本身中。
由于所施加的寻衅，盛行的暹罗范例仅能预测目标特色的模板，而在推理过程中忽略了背景外不雅观信息，因此，预测模型具有有限的目标背景可分辨性。
我们开拓了一种端到真个跟踪体系构造，能够充分利用目标和背景外不雅观信息进行目标模型预测。
通过设计专用的优化过程（仅需几次迭代即可预测功能强大的模型），我们的体系构造源自有差异的学习丢失。
此外，我们的方法能够学习判别丢失本身的关键方面。
拟议的跟踪器在6个跟踪基准上设置了最新技能，在VOT2018上实现了EAO评分0.440，同时以超过40 FPS的速率运行。

五、永劫跟踪SOTA（ICCV 2019）

Skimming-Perusal’ Tracking: A Framework for Real-Time and Robust Long-term Tracking

Yan Bin, Zhao Haojie, Wang Dong, Lu Huchuan, Yang Xiaoyun

源码地址：https://github.com/iiau-tracker/SPLT

与传统的短时跟踪比较，永劫跟踪带寻衅更多，并且更靠近于实际运用。
在这项事情中，我们基于提出的略读和细读模块提出了一种新颖的，健壮的，实时的长期跟踪框架。
细读模块包括一个有效的边界框回归器（用于天生一系列候选方案）和一个健壮的目标验证程序，用于以其置信度得分推断最佳候选者。
基于此分数，我们的跟踪器须要确定被跟踪工具是否存在，然后不才一帧等分别选择本地搜索或全局搜索的跟踪策略。
为了加快全体图片的全局搜索，我们设计了一种新颖的筛选模块，可以从大量的滑动窗口中有效地选择最可能的区域。
在VOT-2018长期基准和OxUvA长期基准上的大量实验结果表明，该方法可实现最佳性能并实时运行。

转载来源：会议之眼