基于孪生神经网络的视觉跟踪深度分析

本综述对九种流行跟踪器的学习与推理能力进行了深入分析。它既不旨在研究全部文献，也不是试图回顾所有为视觉跟踪提出的神经网络。相反，我们聚焦于孪生神经网络，它是研究跟踪这一挑战性问题的有前景的起点。这些网络高效地集成了特征学习与时序匹配，并迄今为止展现出最先进的性能。特别地，我们重点介绍了孪生网络的分支、连接这些分支的层、训练的特定方面以及将这些网络嵌入跟踪器的方式。我们将现有论文中的定量结果进行了比较，并得出结论：当前的评估方法在结果的可复现性与可比性方面存在问题。本文提出了一种新颖的类 Lisp 形式化方法，以更好地比较跟踪器。这假设了跟踪器的某种函数式设计与函数式分解。本文试图通过基于机器学习理论的问题表述以及将跟踪器解释为决策函数，为跟踪器设计提供基础。该工作以有前景的研究路线作结，并建议未来工作。