这几个月都在做把centernet用在跟踪的实验，结果前段时间看到arxiv上刚刚就挂了几篇这类思想的文章，难受撞车，那就顺便总结一下目前anchor free的目标跟踪方法。之前也写过一篇，Anchor Free的目标跟踪，这里会把前面记录过的也写下来。
目前anchor-free的目标跟踪用的思想大体可以划分为两类，一类是FCOS类的，还有一类就是CenterNet类的，关于这两个检测算法可以先了解一下。
FCOS类
SiamFC++: Towards Robust and Accurate Visual Tracking with Target Estimation Guidelines
论文：https://arxiv.org/pdf/1911.06188v4.pdf
代码：https://github.com/MegviiDetection/video_analyst
这个应该是第一篇将anchor-free用在siamese跟踪中的工作，作者仔细分析了anchor机制在跟踪中的缺陷，并提供了设计跟踪器的几条准则，依次准则设计了SiamFC++，也是FCOS第一次在siamese跟踪中亮相。
SiamCAR: Siamese Fully Convolutional Classification and Regression for Visual Tracking
论文：https://arxiv.org/abs/1911.07241v2
代码：https://github.com/ohhhyeahhh/SiamCAR
这一篇和SiamFC++很类似，这里标注一些实践细节的差异，首先backbone采用了改造的resnet50，然后特征融合上是先对特征融合再做相关，而不是像siamrpn++那样先对每个stage做相关再融合，这里我实验了一下两者性能差异不大（会略微低一点），但是前者计算量更小。（记得以前好像看到哪篇文章讲siamese类做了相关之后不宜再接很多卷积，但是这篇文章这样做了性能也没有下降，有看过的小伙伴可以提醒我一下）。inference阶段这里取了中心点周围top-k的均值作为最终结果。
Siamese Box Adaptive Network for Visual Tracking
论文：https://arxiv.org/abs/2003.06761
代码：https://github.com/hqucv/siamban
同样是FCOS的应用，比较insight的地方是打标签的时候使用椭圆标签，两个椭圆，小椭圆E2内的点是positive，大椭圆E1外的点是negative，两个椭圆中间的部分为ignore，具体参考之前笔记。
Fully Conventional Anchor-Free Siamese Networks for Object Tracking
论文：https://www.researchgate.net/publication/335467780_Fully_Conventional_Anchor-Free_Siamese_Networks_for_Object_Tracking
这篇注意的一个是Fusion Module，另一个就是分配GT到AFPN层时采用了FCOS一样的思路（划分[0,64], [64,128], [128,∞]）
Ocean: Object-aware Anchor-free Tracking
论文：https://arxiv.org/abs/2006.10721
代码：https://github.com/researchmm/TracKit
这篇内容挺丰富的，出发点是anchor类方法只能回归IOU大于阈值的部分anchor，对于跟踪过程中如果出现overlap很小的anchor很难去refine，而anchor-free可以针对每个点进行预测。其次，作者设计了一个feature alignment module来从预测框中学习object-aware feature（图2c），从而对物体尺度敏感。特征融合上采用xy轴膨胀系数不同的膨胀卷积进行融合。最后就是采用了类似ATOM/DiMP的在线分类器更新方式。这篇还是很值得一读的，之后有时间做一个详细笔记。
CenterNet类
Siamese Attentional Keypoint Network for High Performance Visual Tracking
论文：https://arxiv.org/abs/1904.10128v2
这篇将CenterNet和CornerNet结合到跟踪中，分别预测中心点和两个角点，以及运用了CBAM注意力机制强化上下文信息，应该是第一个将CenterNet/CornerNet用进来的，遗憾的是性能没有刷的很高。
Accurate Anchor Free Tracking
论文：https://arxiv.org/abs/2006.07560
这篇就是比较典型的CenterNet模式了，预测中心点，中心偏移以及宽高。
作者另外设计了backbone，最后在VOT2018性能虽然比siamrpn++略低但是速度是它的3.9倍（136FPS v.s. 35FPS）。
Siamese Keypoint Prediction Network for Visual Object Tracking
论文：https://arxiv.org/abs/2006.04078
代码：https://github.com/ZekuiQin/SiamKPN
这一篇将casscade的思想结合在centernet类的siamese跟踪器中，看上面图2结构已经很清晰了，KPN结构如下：
还有一个需要关注的就是每个stage训练的时候分类标签的高斯方差不一样：
遵循的原则就是越高的stage峰值越收束。
