CVPR2017论文集锦（目标检测与目标追踪相关）

  CVPR 2017 有很多优秀的论文，但，学，是无止境的，正所谓“伤其十指，不如断其一指”，这么多内容我也不可能一一整理。未来，导师让我做目标检测与目标追踪等方向的研究。因此，以下，只整理了关于目标检测与目标追踪方向的论文。【持续更新与丰富内容】

  我想说：是在是太难整理了！

  CVPR 2017关于单目标追踪的论文总共11篇，相关滤波7篇，其中1篇是oral，3篇用到卷积特征，相关滤波占了64%，(非卷积特征的)CNN相关4篇，可以看出目标跟踪现在最火的是相关滤波和深度学习。

    1、一篇oral滤波 paper :Context-Aware Correlation Filter Tracking

  论文链接：https://ivul.kaust.edu.sa/Pages/pub-ca-cf-tracking.aspx

  代码链接：https://github.com/thias15/Context-Aware-CF-Tracking

  论文详解链接:

  简要介绍：是这个组 Home - Publications MT+CF, AT+CF的后续工作，虽然不被很多人看好，但它竟然是tracking中唯一一个oral，但每篇都有代码还算良心，今年主打是基于Staple的Staple+CA，至少速度还算快，可以看看。

  2、六篇相关滤波

  1）跟踪算法 ECO: Efficient Convolution Operators for Tracking

  论文链接：https://arxiv.org/pdf/1611.09224.pdf

  Project :http://www.cvl.isy.liu.se/research/objrec/visualtracking/ecotrack/index.html

  代码链接：https://github.com/martin-danelljan/ECO

  论文详解链接：

  简要介绍：作者是Martin Danelljan，视觉追踪领域的大牛。2016年，在ECCV 上发表了 E-CTO 的文章，去年他的C-COT是VOT2016的第一名，这次，又对该算法进行了改进，改进后，不管是从结果还是速度上都有提升，尤其是速度提升明显。用传统特征HOG+CN的版本速度有60+FPS，用CNN+HOG+CN的速度有8FPS，从跟踪效果来看，可以算一个出色的作品。

  2）跟踪算法 CSR-DCF: Discriminative Correlation Filter with Channel and Spatial Reliability

  论文链接：https://arxiv.org/pdf/1611.08461v1.pdf

  代码链接：https://github.com/alanlukezic/csr-dcf

  论文详解链接：

  简要介绍：是Staple和CFLB的结合，没有深度特征但加入了颜色直方图，还考虑了边界效应，在VOT上超过C-COT，速度勉强实时13fps，代码也已经公开了, 颜色直方图的又一种用法，有趣，要看要看。

  3）跟踪算法 LMCF: Large Margin Object Tracking with Circulant Feature Maps

  论文链接：https://arxiv.org/pdf/1703.05020.pdf

  Project :

  代码链接：

  论文详解链接：https://zhuanlan.zhihu.com/p/25761718

  简要介绍：国人大作必须支持。这个可以看作者知乎，不用多说，速度很快80fps，其中的指标APCE我非常看好。

  4）跟踪算法 MCPF: Multi-task Correlation Particle Filter for Robust Visual Tracking

  论文链接：http://nlpr-web.ia.ac.cn/mmc/homepage/tzzhang/Project_Tianzhu/zhang_mcpf/CVPR2017/1758.pdf

  Project :http://nlpr-web.ia.ac.cn/mmc/homepage/tzzhang/mcpf.html

  代码链接：http://nlpr-web.ia.ac.cn/mmc/homepage/tzzhang/mcpf.html

  论文详解链接：

  简要介绍：国人大作必须支持。张天柱 Tianzhu Zhang老师也已经全面转向相关滤波了，还在做稀疏的同学快醒醒。粒子滤波结合相关滤波，速度和性能都非常接近C-COT，论文没跑VOT，不知道会不会参加VOT2017。

 5）跟踪算法 CFNet: End-to-end representation learning for Correlation Filter based tracking

  论文链接：http://link.zhihu.com/?target=https%3A//arxiv.org/pdf/1704.06036v1.pdf

  Project :http://www.robots.ox.ac.uk/~luca/cfnet.html

  代码链接：https://github.com/bertinetto/cfnet

  论文详解链接：

  简要介绍：Luca Bertinetto Luca Bertinetto - Personal page 去年的Staple和SiamFC都是VOT2016的两点，这是另一个每篇有代码，每篇都精品的大牛，CFNet是SiamFC的改进，CF进入CNN端到端训练了，研究热点，效果一般,有可能是边界效应问题没解决好。

 6）跟踪算法 ACFN: Attentional Correlation Filter Network for Adaptive Visual Tracking

  论文链接：http://link.zhihu.com/?target=https%3A//drive.google.com/file/d/0B0ZkG8zaRQoLUHdlTGNtUWFjd1E/view

  训练代码链接：http://link.zhihu.com/?target=https%3A//drive.google.com/file/d/0B0ZkG8zaRQoLZVVranBnbHlydnM/view%3Fusp%3Ddrive_web

  测试代码链接：http://link.zhihu.com/?target=https%3A//drive.google.com/file/d/0B0ZkG8zaRQoLQUswbW9qSWFaU0U/view%3Fusp%3Ddrive_web

  简要介绍：另一篇CNN+相关滤波的方法，韩国这个组 Perception and Intelligence Lab 今年中了好多篇（下面的ADNet也是），论文还没看，感觉灌水居多兴趣不大，听说效果并不好，速度太慢的不感冒，不过做学术CNN之类的是热点，要跟进。

  3、其它四篇

    相关说明：性能方面，ECO独领风骚，超出其他方法一大截，是唯一一个超过C-COT的；接下来是MCPF和ECO-HC几乎接近；之后Staple+CA略差一点了，但还是比SRDCF高一些；最后CFNet-conv2没有达到SRDCF的水准，CFNet-conv1就更是低的没谱了。速度方面：从下往上看，总体趋势越来越慢，比Staple好的方法中，ECO-HC比Staple+CA稍微快一点，其他的都很慢。另外，Qiang Wang 的DCFNet不论是速度还是性能都超过CFNet，注意这两个都在GPU上跑的。相信不用我说您也看出来了，ECO目前最好，而ECO-HC是又快又好的那个，非常尴尬，Staple+CA与ECO-HC相比，速度慢一点，性能差一截，这个oral真的非非非常尴尬，莫名其妙。。

分析总结：

      要么又好又快，要么又好又新，要么又好又快又新。相关滤波的几篇论文代码基本都已公开，要跟进的可以排上日程表了。CNN的统治力太强大了，相关滤波要么结合深度特征，要么结合CNN训练，这可能是热点。

OTB100: 参考HakaseH/CF_benchmark_results 分析下这几个方法在OTB100上的表现：

      这里包含了CA+CF, ECO, MCPF和CFNet，LMCF还没有公开代码，虽然我催过@H Hakase更新CSR-DCF和ACFN的结果，但暂时还没有更新，CSR-DCF是颜色直方图方法，在OTB100上不会很高，看论文接近SRDCF，而ACFN看论文在OTB2015上不如Staple+CA的，这两个就先不管了。

      红线标出了今年CVPR的方法，包括ECO, ECO-HC, MCPF, Staple+CA, CFNet-conv2和CFNet-conv1，蓝线是几个BASELINE，性能方面分别是14年的SAMF，15年的SRDCF和16年的C-COT，速度方面是14年的KCF和16年的Staple。

      性能方面，ECO独领风骚，超出其他方法一大截，是唯一一个超过C-COT的；接下来是MCPF和ECO-HC几乎接近；之后Staple+CA略差一点了，但还是比SRDCF高一些；最后CFNet-conv2没有达到SRDCF的水准，CFNet-conv1就更是低的没谱了。速度方面：从下往上看，总体趋势越来越慢，比Staple好的方法中，ECO-HC比Staple+CA稍微快一点，其他的都很慢。另外，Qiang Wang 的DCFNet不论是速度还是性能都超过CFNet，注意这两个都在GPU上跑的。相信不用我说您也看出来了，ECO目前最好，而ECO-HC是又快又好的那个，非常尴尬，Staple+CA与ECO-HC相比，速度慢一点，性能差一截，这个oral真的非非非常尴尬，莫名其妙。。

      VOT2016: 我最公认的数据库是OTB100和VOT2016，而大多数论文都不跑VOT2016，说明这个数据库的难度还是非常高的，CVPR 2017只有ECO和CSR-DCF跑了VOT2016，下面这个表格简单比较一下：

      EAO和A越高越好，R越低越好，可以看出ECO高出非常多，但也不能说其他方法不好，最终还是要看VOT2017上各算法的表现了。必须一提，CSR-DCF是CPU上勉强实时的方法13fps，而ECO是C-COT的加速版提升了20倍，CPU上也还能接受了。

      更新结果：CSR-DCF和ACFN的结果已更新，同样结合了颜色直方图，CSR-DCF要比Staple好一点，但也慢很多，ACFN与CFNet-conv2基本相当。速度方面，CSR-DCF不算快，是ECO的三倍，再考虑VOT2016的表现，CSR-DCF还是不错的。

注意：上图仅是目前公开代码的相关滤波类方法在OTB100上的性能和速度比较。

一点废话：VOT2016已经难到调参都很难提高的地步，所以大量论文都不敢跑没法刷，关于VOT2017，又新增了10个序列，都非常非常难，而且今年严防死守过拟合，不让在OTB, VOT, ALOV, NUSPRO和相似目标的序列上训练，我比较期待MDNet和TCNN今年会是什么水准，而且也一直不看好tracking问题在跟踪数据库少量序列上end-to-end训练(过拟合刷库是非常非常没有意义的事，如果有大规模百万级跟踪数据库这种方法也许可行)，最好fine-tune也不要有，就在大规模(非tracking)图像或(非tracking)视频库上end-to-end训练，模型拿过来直接用比较合理，比如ECO中的VGGNet卷积特征就非常成功，哪个库都很高完全没有过拟合问题。

分析总结参考链接：https://zhuanlan.zhihu.com/p/27335895