NERV

Python打开Mat文件

Martin Danelljan大神的最新力作，11月21日放到Arxiv上，应该是投稿CVPR的作品，该文章再一次将单目标跟踪的精确度拔高到了一个新的高度。本文的主要思想是通过IoU-Net来优化网络预测的bounding box，提高定位精确度；并通过基于共轭梯度的策略来训练分类网络，提高分类准确率。通过二者的结合，ATOM在四个主要的跟踪数据集上达到了新的高度。

背景建模是指在视频中，通过建立模型，将静止不动的背景和运动的前进进行区分，从而得到运动物体的信息，该算法是目标跟踪、异常检测等算法的基础，因此一直是计算机视觉领域的研究热点。

这是MSRA代季峰组在视频检测的又一篇文章，也是这一系列的第四篇文章，主要是将前三篇的工作进行了轻量化，将神经网络和算法记性了调整，部署在移动平台上。在华为Mate 8上，算法的运行速度为25.6FPS，准确率为60.2%。

这是单目标跟踪领域的大神Martin Danelljan挂名的一篇作品，继C-COT将feature map扩展到连续域、以及ECO精简feature map之后的又一力作，发表在ECCV 2018上，同两篇前作一样，这篇作品将单目标跟踪领域的精确度又提升了一个高度

DaSiamRPN是SiamRPN的后续作品，使用的backbone为SiamRPN，本篇论文主要是在数据集扩展、训练方法、loss函数以及local-to-global方面对SiamRPN进行了改进。

这是Ma Chao大神发表在NIPS 2018上的一篇论文，从代码来看是MDNet的改进版，与CVPR 2018和ECCV 2018的趋势一样，这篇论文也在跟踪框架中使用了Attention，不过与其他论文不同的是，本篇论文的Attention并不是通过在网络加入一个module来学习得到的，而是将BP得到的梯度作为Attention，并将其作为一个Loss函数的正则项来调整网络的训练过程，比较有新意。