摘要¶

1. 目标追踪需要的背景知识： 物体外形、移动、变形
2. 追踪器必须能调整模型以适应新的观察
3. 本文的实时深度目标追踪器能结合 long-term temporal information
4. 不使用在线（实时？）追踪器，用循环神经网络表示 物体外形和移动，所以是离线先训练（汗）
5. 轻量级模型，速度是150 FPS， 150帧每秒

本读者注：

好像讲了啥，又好像没讲啥

导论¶

问题如上所述， 追踪器需要处理：

1. 对低级物体特性（颜色） 和 高级（如各类）进行建模
2. 理解移动，并进行编码
3. 理解物体可能发生的变形（change）

所以需要深度学习相关模型进行建模

但深度学习里，像CNN，虽然强大，但一般基于大量数据，才能学到高级概念的不变性， 它们理解一个人的长相，却不关注两个人之间的区别。 而追踪器通常只有一个（少量）初始例子可供使用。

本文方法特点：

fully end-to-end trainable, meaning we teach the network to track directly rather than relying on learning an additional classi- fier at test time

still update its underlying representation of the object via the recurrent parameters, a feature which other recent deep, real-time trackers lack

use a recurrent structure known as an LSTM (Long Short-Term Memory)

recurrent parameter update is performed during the forward pass, requiring no extra computational burden, allowing our tracker to operate at 150 frames per second

方法¶

架构：

1. CNN 物体外形
2. RNN 记录外形和移动
3. 回归层 输出物体坐标

如图：

物体外形嵌入¶

循环规范¶

训练过程¶