Martin大神在CVPR2020的又一跟踪作，快来欣赏：
将目标跟踪视为每一帧的目标回归问题：
1、使用DCF或Siamese等进行粗略定位，其对于目标背景、杂波和遮挡具有一定鲁棒性【Target Center Regression】；
2、使用单独的网络分支，用于回归目标框【Bounding Box Regression】。
发现问题：
1、大多数跟踪方法关注于目标框中心坐标（即定义为目标的质心）的回归。图中，由于目标外观的微小变化，导致GT框的中心位置发生严重偏移，故而目标中心回归是一项艰巨任务。
2、对GT边界框未进行准确标注，而在训练网络时，标注的这种分歧变化会被忽略。多个注释者对给定对象的注释有所差异，尤其出现运动模糊、遮挡、小目标等情况下尤为明显，所以准确的bbox标签也是一项艰巨任务。
提出方法：
对输入的图像，预测其目标状态
的条件概率密度
，通过最小化其与GT标签分布的KL散度训练回归网络；同时还对噪声标签和产生歧义的部分进行建模，并利用近似积分最小化KL散度。
回归问题：
对于映射函数，
为图像所在空间，
为连续空间，并给定样本对
，求得映射函数。
1）直接回归法
定义损失函数，直接计算：
特点：虽在光流法、深度估计等小有成就。但在目标检测与跟踪、人体姿态估计不太适用。
2）置信度预测回归法
定义置信度回归函数，同时对每一个
，定义一个gt置信度值的伪标签函数
，其中
。
定义损失函数，其中
。则最终的映射函数为
。
特点：以预测的置信度值编码，能够灵活的表示不确定性。.但
很大程度取决于Loss的选择与生成训练的伪标签，本身没有明确的解释，只能充当最大化的量。而且对于伪标签
，通过具有更宽的高置信度峰来封装问题1中出现的情况。
置信度预测回归相比直接回归的优点：
1，在空间中，前者更能捕获到不确定性、多假设与歧义的存在。
2、前者更能轻松利用与
空间共享的对称性，e.g平移不变性。
Loss的计算
在本文中，作者计算GT分布与预测的条件概率密度
之间的KL散度：
对于公式（8），作者提出了两种方法来近似：
1）网格采样
通过评估CNN在y处的输出得到(平移不变性)，其中，
是一个CNN网络。
为作用在CNN网络
网格位置的一组集合。
为单个网格单元的面积。最终的Loss是所有
的平均值。
特点：该方法不能很好的缩放到更高的维度，而且刚性网格会引起采样偏差
2）蒙特卡洛积分
其中，是从伪标签中提取的样本，
是覆盖
与
的区域。
特点：需要对网络进行多次评估。
回归训练
1）TCR目标中心回归：
由于网络为全卷积，故采用网格采样近似与
的KL散度。
简单地，设，得到
定义Loss：
与DiMP推导不同，作者在最速下降公式中，用二次牛顿法代替高斯牛顿法：
其中，
由链式法则可得：记
那么公式(17b)的分母可以表示为：
2）BBR目标框回归：
对进行积分以建立bbox标签中的噪声和不确定模型，利用蒙特卡洛积分最小化KL散度【文献18表明，以anno
为中心的简单高斯混合可以有效地进行bbox回归】。
回归方法比较
L2：使用DiMP中BBR的标准平方损失
R-L2：使用DiMP中TCR的损失
NLL：最小化的负对数似然函数
标签不确定性分析
结论：过高 (即标签过于不确定)会影响输出，过低则会使输出达到次优点。故正确建模标签不确定性对视觉跟踪非常重要。
不同算法结果比较