王宁，席茂，周文罡，李礼，李厚强

中国科学技术大学多媒体计算与通信教育部-微软联合实验室，安徽合肥，230027

1 引言

视觉目标跟踪是计算机视觉领域的一个基本任务.目标跟踪旨在基于初始帧中指定的感兴趣目标(一般用矩形框表示)，在后续帧中对该目标进行持续的定位，如图1所示.目标跟踪的应用场景非常广泛，包含视频监控、人机交互、机器人、无人驾驶等.虽然近二十年来，视觉目标跟踪取得了极大的进展，但是一些挑战性因素如目标遮挡、背景杂乱、运动模糊、光照变化等仍是目标跟踪算法面临的主要挑战.

图中的红色矩形框表示感兴趣的跟踪目标.图1 视觉跟踪任务示例Figure 1.The example of visual tracking

传统的视觉跟踪算法通常采用手工特征来对目标进行表观建模，通过训练鲁棒的辨别式或生成式模型实现目标跟踪，典型的方法包括 MIL[1]、TLD[2]、SCM[3],STRUCK[4]、KCF[5]等.新近比较有挑战性的数据集如VOT2018[6]或大规模数据集TrackingNet[7]和LaSOT[8]上，这些算法的性能远远达不到实际应用的要求.

自从2012年AlexNet[9]在图像分类任务中大放异彩，深度学习受到了广泛关注.得益于强大的特征提取能力和端到端的训练模式，深度学习技术在计算机视觉、机器学习、自然语言处理等领域都广受关注，并取得了巨大进展.在过去的五、六年间，基于深度学习的目标跟踪算法获得了巨大突破.一些经典的深度跟踪算法，如 HCF[10]、MDNet[11]、SiamFC[12]、ECO[13]、SiamRPN[14]、ATOM[15]、DiMP[16]等不同程度地挖掘了深度学习的潜能并显著提高了跟踪性能.例如，在经典的OTB-2015[17]数据集上，这些深度学习的……