1.SiamFC，ECCV2016论文，牛津大学Luca Bertinetto等提出，深度学习方法在目标跟踪领域的破冰之作。使用函数f(z,x)来比较模板图像z域候选图像x的相似度， 相似度越高，则得分越高。首个基于深度特征却又能保持实时性的跟踪方案，跟踪速度在GPU上达到了86fps（帧每秒），而且其性能超过了绝大多数实时跟踪器。
缺点：
a.在真实世界存在多个目标干扰，遮挡，以及移位等因素，feature map会有多个相应，主要通过高斯窗滤波干扰目标。
b.训练出的网络主要关注外观特征而无视语义信息，容易造成背景干扰。
Fully-Convolutional Siamese Networks for Object Tracking.pdf
2.SiamRPN CVPR2018论文，商汤，北航和清华共同提出，实时性到160fps(backbone采用AlexNet)。论文提出模型包括两个子网络：Siamese subnetwork （特征提取） 和region proposal subnetwork（包括分类和检测分支）。换个角度，跟踪当做的单样本检测任务，就是把第一帧的BBox视为检测的样例，在其余帧里面检测与它相似的目标。
High Performance Visual Tracking with Siamese Region Proposal Network.pdf
3、CVPR2019论文，中科院自动化所（王强）和牛津大学提出SiamMask,目标跟踪和视频分割结合的多任务学习网络。VOT2015以后数据集难度不断增加， 目标预测从轴对齐矩形框到旋转框，其实是mask的一种近视。直接生成mask，可以获取更高精确度的旋转矩形框，这是论文的初衷。
缺点：
a.Siammask的mask预测分支采用SharpMask语义分割模型，精度可使用替代模型提高。
b.目前tracking没有专门处理消失问题（object traker如果从当前画面离开或完全遮挡），特别的，siammask挺容易受到具有语义的distractor影响。 Fast Online Object Tracking and Segmentation: A Unifying Approach.pdf
4.CVPR2019论文，中国科学院大学和微软联合提出，主要解决Siamese网络架构一般使用较浅的网络架构（比如alexnet）。分析影响神经网络的三个因素 ：padding,receptive field size和stride，并提出针对性改善的Cropping-Inside Residual (CIR)单元。模型在OTB和VOT等数据集取得 state-of-art，达到论文提出的改变神经网络deeper和wider的目标。
Deeper and Wider Siamese Networks for Real-Time Visual Tracking.pdf
5.CVPR2019论文，中科院自动化所和商汤联合提出，同样解决Siamese网络架构一般使用较浅的网络架构（比如alexnet）。 性能：论文提出的SiamRPN++在VOT2018取得性能最优的同时，速度在NVIDIA Titan Xp GPU 35fps,MobileNetv2保持性能的同时可运行70fps. 改进措施： a.论文同样发现padding对特征提取有损伤,降低padding和stride的影响。（stride降低同时使用空洞卷积提高感受野）。 b.模型基于ResNet架构，并提出层级级联SiamRPN block用于协方差计算，多层次特征图预测目标的相似性。 c.提出Depthwise Cross Correlation (DW-XCorr)，大幅度降低参数和稳定模型训练。 孪生网络和目标跟踪进入深度学习的深度网络时代。
SiamRPN++: Evolution of Siamese Visual Tracking with Very Deep Networks.pdf
6.商汤，北航等联合提出，多目标跟踪（MOT）框架，可以学会充分利用长期和短期线索来处理MOT场景中的复杂情况。针对短期匹配，使用Siamese-RPN， 长期匹配和矫正，使用ReID。视频检测，分割，跟踪等均可以使用这种机制。
Multi-Object Tracking with Multiple Cues and Switcher-Aware Classification.pdf
4、Siamese Cascaded Region Proposal Networks for Real-Time Visual Tracking(CRPN,目标跟踪） 作者：Heng Fan, Haibin Ling 论文链接：https://arxiv.org/pdf/1812.06148.pdf
5、LaSOT: A High-quality Benchmark for Large-scale Single Object Tracking(目标跟踪） 作者：Heng Fan, Liting Lin, Fan Yang, Peng Chu, Ge Deng, Sijia Yu, Hexin Bai, Yong Xu, Chunyuan Liao, Haibin Ling 论文链接：https://arxiv.org/pdf/1809.07845.pdf project链接：https://cis.temple.edu/lasot/
6、Leveraging Shape Completion for 3D Siamese Tracking 作者：Silvio Giancola, Jesus Zarzar, Bernard Ghanem 论文链接：https://arxiv.org/abs/1903.01784
7、Cross-Classification Clustering: An Efficient Multi-Object Tracking Technique for 3-D Instance Segmentation in Connectomics（多目标跟踪) 作者：Yaron Meirovitch, Lu Mi, Hayk Saribekyan, Alexander Matveev, David Rolnick, Casimir Wierzynski, Nir Shavit 论文链接：https://arxiv.org/abs/1812.01157
8、Multiview 2D/3D Rigid Registration via a Point-Of-Interest Network for Tracking and Triangulation (POINT^2) 作者：Haofu Liao, Wei-An Lin, Jiarui Zhang, Jingdan Zhang, Jiebo Luo, S. Kevin Zhou 论文链接：https://arxiv.org/abs/1903.03896
illumination, deformation,occlusion and motion,speed
#待合并
Graph Convolutional Tracking
http://nlpr-web.ia.ac.cn/mmc/homepage/jygao/gct_cvpr2019.html#