CVPR 2020目標(biāo)跟蹤多篇開(kāi)源論文（下）

6. Cooling-Shrinking Attack:
   Blinding the Tracker with Imperceptible Noises

作者團(tuán)隊(duì)：大連理工大學(xué)(盧湖川組)&鵬城實(shí)驗(yàn)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(duì)
SiamRPN++ 的對(duì)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(guò)重新檢測(cè)進(jìn)行視覺(jué)跟蹤

作者團(tuán)隊(duì)：亞琛工業(yè)大學(xué)(RWTH)&牛津大學(xué)

主頁(yè)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(yōu)于 SiamRPN++、DiMP和SiamFC等網(wǎng)絡(luò)

8. ROAM：循環(huán)優(yōu)化目標(biāo)跟蹤模型

作者團(tuán)隊(duì)：騰訊AI Lab&香港城市大學(xué)&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(shù)據(jù)集上，表現(xiàn)SOTA！性能優(yōu)于MetaTracker、DaSiamRPN和MDNet等網(wǎng)絡(luò)

在本文中，我們?cè)O(shè)計(jì)了一個(gè)由響應(yīng)生成和邊界框回歸組成的跟蹤模型，其中第一個(gè)組件產(chǎn)生一個(gè)熱圖，以指示物體在不同位置的存在，第二部分將相對(duì)邊界框位移回歸到在其上的anchor滑動(dòng)窗口位置。由于兩個(gè)組件都使用了可調(diào)整大小的卷積filter來(lái)適應(yīng)對(duì)象的形狀變化，因此我們的跟蹤模型無(wú)需枚舉大小不同的anchor，從而節(jié)省了模型參數(shù)。為了有效地使模型適應(yīng)外觀(guān)變化，我們建議離線(xiàn)訓(xùn)練循環(huán)神經(jīng)優(yōu)化器以在元學(xué)習(xí)設(shè)置中更新跟蹤模型，這可以在幾個(gè)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(shí)獲得了更好的性能。我們?cè)贠TB，VOT，LaSOT，GOT-10K和TrackingNet基準(zhǔn)測(cè)試中對(duì)我們的跟蹤器ROAM和ROAM++進(jìn)行了廣泛的評(píng)估，并且我們的方法相對(duì)于最新的算法表現(xiàn)良好。

9. D3S：判別式Single Shot分割目標(biāo)跟蹤器

作者團(tuán)隊(duì)：盧布爾雅那大學(xué)等

論文鏈接：https://arxiv.org/abs/1911.08862

代碼鏈接：https://github.com/alanlukezic/d3s

注：性能優(yōu)于SiamRPN++、ATOM和SiamMask等網(wǎng)絡(luò)，速度可達(dá)25 FPS！

基于模板的判別式跟蹤器由于其健壯性目前是主要的跟蹤范例，但僅限于邊界框跟蹤和有限范圍的轉(zhuǎn)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(jué)對(duì)象跟蹤和視頻對(duì)象分割之間的差距。Single-shot網(wǎng)絡(luò)應(yīng)用兩個(gè)具有互補(bǔ)幾何特性的目標(biāo)模型，一個(gè)對(duì)廣泛的變換（包括非剛性變形）保持不變，另一個(gè)模型則假定為剛性對(duì)象，以同時(shí)實(shí)現(xiàn)高魯棒性和在線(xiàn)目標(biāo)分割。D3S無(wú)需按數(shù)據(jù)集進(jìn)行微調(diào)，并且僅針對(duì)分割進(jìn)行訓(xùn)練作為主要輸出，因此在VOT2016，VOT2018和GOT-10k基準(zhǔn)測(cè)試中，其性能均優(yōu)于所有跟蹤器，并且在TrackingNet上的性能接近最先進(jìn)的跟蹤器。D3S在視頻對(duì)象分割基準(zhǔn)上勝過(guò)領(lǐng)先的分割跟蹤器SiamMask，并且與頂級(jí)視頻對(duì)象分割算法表現(xiàn)相當(dāng)，同時(shí)運(yùn)行速度快了一個(gè)數(shù)量級(jí)，接近實(shí)時(shí)。

總結(jié)

以上是生活随笔為你收集整理的CVPR 2020目标跟踪多篇开源论文（下）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。