CVPR 2020目標跟蹤多篇開源論文（下）
6. Cooling-Shrinking Attack: Blinding the Tracker with Imperceptible Noises
作者團隊：大連理工大學(盧湖川組)&鵬城實驗室等
論文鏈接：https://arxiv.org/abs/2003.09595
代碼鏈接：https://github.com/MasterBin-IIAU/CSA
注：本文提出一種針對 SiamRPN++ 的對抗攻擊算法，可以使SiamRPN++跟蹤器的性能大幅度下降。
7. Siam R-CNN：通過重新檢測進行視覺跟蹤
作者團隊：亞琛工業大學(RWTH)&牛津大學
主頁鏈接：https://www.vision.rwth-aachen.de/page/siamrcnn論文鏈接：https://arxiv.org/abs/1911.12836
代碼鏈接：https://github.com/VisualComputingInstitute/SiamR-CNN
注：Siam
R-CNN性能優於 SiamRPN++、DiMP和SiamFC等網絡
8. ROAM：循環優化目標跟蹤模型
作者團隊：騰訊AI Lab&香港城市大學&滴滴出行
論文鏈接：https://arxiv.org/abs/1907.12006
代碼鏈接：https://github.com/skyoung/ROAM
注：在OTB、VOT等數據集上，表現SOTA！性能優於MetaTracker、DaSiamRPN和MDNet等網絡
在本文中，我們設計了一個由響應生成和邊界框回歸組成的跟蹤模型，其中第一個組件產生一個熱圖，以指示物體在不同位置的存在，第二部分將相對邊界框位移回歸到在其上的anchor滑動窗口位置。由於兩個組件都使用了可調整大小的卷積filter來適應對象的形狀變化，因此我們的跟蹤模型無需枚舉大小不同的anchor，從而節省了模型參數。為了有效地使模型適應外觀變化，我們建議離線訓練循環神經優化器以在元學習設置中更新跟蹤模型，這可以在幾個梯度步驟中使模型收斂。這提高了更新跟蹤模型的收斂速度，同時獲得了更好的性能。我們在OTB，VOT，LaSOT，GOT-10K和TrackingNet基准測試中對我們的跟蹤器ROAM和ROAM++進行了廣泛的評估，並且我們的方法相對於最新的算法表現良好。
9. D3S：判別式Single Shot分割目標跟蹤器
作者團隊：盧布爾雅那大學等
論文鏈接：https://arxiv.org/abs/1911.08862
代碼鏈接：https://github.com/alanlukezic/d3s
注：性能優於SiamRPN++、ATOM和SiamMask等網絡，速度可達25 FPS！
基於模板的判別式跟蹤器由於其健壯性目前是主要的跟蹤范例，但僅限於邊界框跟蹤和有限范圍的轉換模型，這降低了其定位精度。我們提出了一種判別式的single-shot分割跟蹤器-D3S，它縮小了視覺對象跟蹤和視頻對象分割之間的差距。Single-shot網絡應用兩個具有互補幾何特性的目標模型，一個對廣泛的變換（包括非剛性變形）保持不變，另一個模型則假定為剛性對象，以同時實現高魯棒性和在線目標分割。D3S無需按數據集進行微調，並且僅針對分割進行訓練作為主要輸出，因此在VOT2016，VOT2018和GOT-10k基准測試中，其性能均優於所有跟蹤器，並且在TrackingNet上的性能接近最先進的跟蹤器。D3S在視頻對象分割基准上勝過領先的分割跟蹤器SiamMask，並且與頂級視頻對象分割算法表現相當，同時運行速度快了一個數量級，接近實時。
