跟踪学习：用孪生卷积神经网络进行强健的目标关联

Apr, 2016

跟踪学习：用孪生卷积神经网络进行强健的目标关联

Learning by tracking: Siamese CNN for robust target association

Laura Leal-Taixé, Cristian Canton Ferrer, Konrad Schindler

TL;DR本文提出一种新颖的数据关联方法，通过引入一个两阶段的学习方案来匹配检测对，第一阶段使用 Siamese 卷积神经网络来学习编码两个输入图像 patch 之间的局部空时结构描述符。第二阶段使用由比较的输入 patch 的位置和大小导出的一组上下文特征，通过梯度提升分类器与 CNN 输出结合来生成最终匹配概率，表明即使简单高效的跟踪器也可能在我们学习的匹配概率上表现优异，已公开可用的序列结果表明我们的方法达到了多人跟踪的最新标准。

Abstract

This paper introduces a novel approach to the task of data association within the context of pedestrian tracking, by introducing a two-stage learning scheme to match pairs of detections. First, a Siamese convolut

data association pedestrian tracking siamese cnn spatio-temporal structures multi-person tracker

发现论文，激发创造

Siamese CNNs 和时序约束度量的联合学习，用于 Tracklet Association

本文提出了一种新的多目标跟踪方法，该方法联合训练卷积神经网络和时序约束测量，并提出了一种新的损失函数，包含时序约束多任务学习机制，以构建基于外貌的轨迹亲和力模型，并通过使用本文提出的方法，多目标跟踪的关联可以在挑战性情况下完成。实验结果表明，该方法在多目标跟踪中胜过多种最先进的方法。

May, 2016

全卷积孪生网络用于目标跟踪

使用 ILSVRC15 数据集训练的全卷积 Siamese 网络在视频中实现物体检测和追踪，取得了多项基准测试中的最优性能。

Jun, 2016

深度连对注视网络：基于视频的人员再识别的时间与位置选择

本论文提出了一种具有 Siamese attention architecture 的模型，在视频中提取本地卷积特征，并使用嵌入式注意机制在门控循环单元中选择性地传播相关特征并记住它们的空间依赖性，以解决视频中行人匹配的问题，并在三个基准数据集上取得了良好的效果。

Aug, 2018

基于门控连体卷积神经网络的人体再识别架构

本文提出了一种用于跨摄像头匹配行人的人体再识别框架，通过引入一个选择性强化细粒度共有的局部模式的门控函数，将同一身份的图像向量嵌入到特征空间中更密集的区域，提高了再识别的性能。在 CUHK03、Market-1501 和 VIPeR 数据集上的实验证明，与基线 Siamese CNN 架构相比，该框架表现更优。

Jul, 2016

基于 CNN 的阈值铰链嵌入损失的光流补丁匹配

本文提出了一种用于光流估计的基于 CNN 的贴片匹配方法，并介绍了适用于 Siamese 网络的新型阈值损失。实验证明我们的方法在精度和训练速度方面均明显优于现有方法，并提出了一种用于不同图像尺度的 CNN 特征计算方法。我们还探讨了评估面向光流贴片匹配应用的特征鲁棒性的新方法，证明了我们方法的领先性能。

Jul, 2016

使用深度时间外观匹配联合进行在线多行人跟踪

本研究提出了一种基于联合推理网络的轨迹外观模型，有效解决了在多目标跟踪中应对高维度外观信息的问题，且在识别目标与观测匹配以及保持目标的一致性方面具有重要贡献。

Jul, 2019

FANTrack: 基于特征关联网络的三维多目标跟踪

我们提出了一种数据驱动的方法，使用卷积神经网络（CNN）在一个检测跟踪框架中进行数据关联来进行在线多目标跟踪（MOT）。我们的解决方案学习如何在数据和图像之间组合线索来解决关联问题，可以在处理复杂情况下准确跟踪物体并获得优异结果。

May, 2019

准确孪生跟踪的无监督学习

该研究提出了一种新的无监督跟踪框架，通过跟踪变化明显的物体，解决了以往模板匹配无法处理较长时间跨度的问题，并通过正向和反向跟踪视频，学习了时间上的对应关系并且通过提出的一致性传播转换和不可微的区域遮盖，构建了一个可靠的特征模板，采用基于质量伪标签动态赋权值的策略，提高了学习效果，达到了 TrackingNet 和 LaSOT 等大规模数据集上有监督方法的表现水平。

Apr, 2022

具有辨别性和鲁棒性的孪生视觉跟踪在线学习

本文提出一个在线模块，带有离线 siamese 网络中的注意机制，用于提取基于 L2 误差下的目标特定特征。我们进一步提出了适应性的滤波器更新策略以处理背景噪声和模板更新策略以处理大目标形变，其在三个 siamese 基线上的持续改进中得到了显着有效性验证，并且基于 SiamRPN++ 的模型在六个受欢迎的跟踪对比基准中获得了最佳结果，可以超出实时操作。

Sep, 2019

图注意力跟踪

本文提出了一种简单的基于目标感知的 Siamese 图注意力网络解决视觉跟踪中的相似性匹配问题，通过建立完全二分图建立目标和搜索区域之间的部分对部分对应关系，并应用图注意力机制从模板特征传播目标信息到搜索特征，使用目标感知区域选择机制适配不同对象的大小和纵横比变化，实验证明该算法优于现有基于深度学习的最先进跟踪器。

Nov, 2020