CVPR 2020目标跟踪多篇开源论文（下）
6. Cooling-Shrinking Attack: Blinding the Tracker with Imperceptible Noises
作者团队：大连理工大学(卢湖川组)&鹏城实验室等
论文链接：https://arxiv.org/abs/2003.09595
代码链接：https://github.com/MasterBin-IIAU/CSA
注：本文提出一种针对
SiamRPN++ 的对抗攻击算法，可以使SiamRPN++跟踪器的性能大幅度下降。
7. Siam R-CNN：通过重新检测进行视觉跟踪
作者团队：亚琛工业大学(RWTH)&牛津大学
主页链接：https://www.vision.rwth-aachen.de/page/siamrcnn论文链接：https://arxiv.org/abs/1911.12836
代码链接：https://github.com/VisualComputingInstitute/SiamR-CNN
注：Siam
R-CNN性能优于 SiamRPN++、DiMP和SiamFC等网络
8. ROAM：循环优化目标跟踪模型
作者团队：腾讯AI Lab&香港城市大学&滴滴出行
论文链接：https://arxiv.org/abs/1907.12006
代码链接：https://github.com/skyoung/ROAM
注：在OTB、VOT等数据集上，表现SOTA！性能优于MetaTracker、DaSiamRPN和MDNet等网络
在本文中，我们设计了一个由响应生成和边界框回归组成的跟踪模型，其中第一个组件产生一个热图，以指示物体在不同位置的存在，第二部分将相对边界框位移回归到在其上的anchor滑动窗口位置。由于两个组件都使用了可调整大小的卷积filter来适应对象的形状变化，因此我们的跟踪模型无需枚举大小不同的anchor，从而节省了模型参数。为了有效地使模型适应外观变化，我们建议离线训练循环神经优化器以在元学习设置中更新跟踪模型，这可以在几个梯度步骤中使模型收敛。这提高了更新跟踪模型的收敛速度，同时获得了更好的性能。我们在OTB，VOT，LaSOT，GOT-10K和TrackingNet基准测试中对我们的跟踪器ROAM和ROAM++进行了广泛的评估，并且我们的方法相对于最新的算法表现良好。
9. D3S：判别式Single Shot分割目标跟踪器
作者团队：卢布尔雅那大学等
论文链接：https://arxiv.org/abs/1911.08862
代码链接：https://github.com/alanlukezic/d3s
注：性能优于SiamRPN++、ATOM和SiamMask等网络，速度可达25 FPS！
基于模板的判别式跟踪器由于其健壮性目前是主要的跟踪范例，但仅限于边界框跟踪和有限范围的转换模型，这降低了其定位精度。我们提出了一种判别式的single-shot分割跟踪器-D3S，它缩小了视觉对象跟踪和视频对象分割之间的差距。Single-shot网络应用两个具有互补几何特性的目标模型，一个对广泛的变换（包括非刚性变形）保持不变，另一个模型则假定为刚性对象，以同时实现高鲁棒性和在线目标分割。D3S无需按数据集进行微调，并且仅针对分割进行训练作为主要输出，因此在VOT2016，VOT2018和GOT-10k基准测试中，其性能均优于所有跟踪器，并且在TrackingNet上的性能接近最先进的跟踪器。D3S在视频对象分割基准上胜过领先的分割跟踪器SiamMask，并且与*视频对象分割算法表现相当，同时运行速度快了一个数量级，接近实时。
