基于DCF的跟踪算法综述

1. SRDCF(2015,ICCV,Martin Danelljan)

a.问题：

DCF方法利用训练样本的周期假设在目标领域训练分类器，解决了缺少训练数据的问题，但是引入了边界效应，降低了跟踪模型的质量

b.贡献:

引入了“spatial regularization component"，利用其空间位置来惩罚相关滤波器的系数

c.优化方法：

基于迭代高斯赛德尔

2.ATOM(2019,CVPR,Martin Danelljan)

a.问题：

自2018VOT，tracking 重classification轻target estimation，分类依赖于执行多尺度搜索，然而target estimation是个艰巨的任务。

拓展知识：tracking=classification+target estimation

b.贡献:

提出新的跟踪框架：

1.专门的target estimation(offline)–》predict the overlap between target object and estimated bounding box;–>introduce a modulation-based metwork component;

2.classification(online)：在干扰物存在时也具有高差分能力