[论文解读] Single Object Tracking: A Survey of Methods, Datasets, and Evaluation Metrics

Zahra Soleimanitaleb, Mohammad Ali Keyvanrad|arXiv (Cornell University)|Jan 31, 2022

Video Surveillance and Tracking Methods被引用 12

一句话总结

本综述全面回顾了单目标跟踪方法，将其分类为基于特征、基于分割、基于估计和基于学习的方法——重点关注基于学习的技术，包括生成式、判别式和强化学习子类别。通过标准数据集和指标评估了最先进模型，为计算机视觉和跟踪系统领域的研究人员提供了一个统一的参考。

ABSTRACT

Object tracking is one of the foremost assignments in computer vision that has numerous commonsense applications such as traffic monitoring, robotics, autonomous vehicle tracking, and so on. Different researches have been tried later a long time, but since of diverse challenges such as occlusion, illumination variations, fast motion, etc. researches in this area continues. In this paper, different strategies of the following objects are inspected and a comprehensive classification is displayed that classified the following strategies into four fundamental categories of feature-based, segmentation-based, estimation-based, and learning-based methods that each of which has its claim sub-categories. The most center of this paper is on learning-based strategies, which are classified into three categories of generative strategies, discriminative strategies, and reinforcement learning. One of the sub-categories of the discriminative show is deep learning. Since of high-performance, deep learning has as of late been exceptionally much consider. Finally, the different datasets and the evaluation methods that are most commonly used will be introduced.

研究动机与目标

• 对单目标跟踪方法进行系统性分类，涵盖四大主要类别：基于特征、基于分割、基于估计和基于学习。
• 分析基于学习的跟踪方法的演变与当前状态，特别是深度学习和强化学习方法。
• 回顾单目标跟踪研究中最广泛使用的关键基准数据集和评估指标。
• 通过整合2019年以来的进展、挑战和趋势，为研究人员提供一个全面的参考。
• 在先前会议论文（ICCKE2019）的基础上，扩展并更新方法、数据集和评估标准。

提出的方法

• 将跟踪方法划分为四大基本类别：基于特征、基于分割、基于估计和基于学习，每类均包含子类别。
• 将基于学习的方法进一步细分为三类：生成式、判别式和强化学习，强调深度学习的主导地位。
• 回顾在跟踪中使用的关键深度学习架构，如孪生网络和相关滤波器，突出其设计原理。
• 分析使用标准基准（如OTB、VOT和TrackingNet）的评估协议，重点关注AOUC、精度和成功率等指标。
• 通过标准化的指标和数据集比较不同方法的性能，评估其在遮挡和运动模糊等挑战下的鲁棒性。
• 综合近期文献的见解，呈现单目标跟踪中方法论趋势与局限性的整体视图。

实验结果

研究问题

• RQ1 在准确性和鲁棒性方面，基于特征、基于分割、基于估计和基于学习的跟踪范式之间有何差异？
• RQ2 在判别式和生成式框架中，基于深度学习的跟踪方法的关键进展与局限性是什么？
• RQ3 哪些基准数据集和评估指标最能代表现实世界中的跟踪挑战？
• RQ4 强化学习的集成如何提升在动态或复杂环境中的跟踪性能？
• RQ5 在单目标跟踪中，遮挡、光照变化和快速运动等持久挑战是什么？当前方法如何应对？

主要发现

• 基于深度学习的方法，特别是判别式模型（如孪生网络），在准确性和鲁棒性方面显著优于传统方法。
• VOT和OTB基准数据集仍然是最广泛使用的数据集，成功率和AUC（曲线下面积）是主导的评估指标。
• 基于强化学习的跟踪方法在处理长期跟踪和复杂运动模式方面展现出潜力，但其成熟度仍低于深度学习方法。
• 遮挡和光照变化仍是最持久的挑战，即使最先进模型在极端条件下仍表现不佳。
• 该综述指出，一种趋势是采用混合架构，结合外观建模与运动估计，以提升跟踪稳定性。
• 本文指出，尽管性能有所提升，但在多样化视觉领域之间的泛化能力仍是该领域的一个关键开放挑战。