引言

在过去的一年中，计算机视觉领域出现了许多优秀的工作，并推动了相关领域的技术发展与进步。去年上半年，极市曾盘点过计算机视觉领域综述论文，并进行了分类整理，得到了很多读者的支持。因此，在2021年初，我们对2020年出现的全部计算机视觉综述论文进行了分方向梳理，希望能帮助大家学习进步。

注：文章将同步更新于Github上，欢迎大家 star/fork
https://github.com/extreme-assistant/survey-computer-vision

综述一

【1】 Correlation Filter for UAV-Based Aerial Tracking: A Review and Experimental Evaluation

标题：相关过滤无人机空中跟踪技术综述与实验评估
作者：Changhong Fu, Geng Lu
链接：https://arxiv.org/abs/2010.06255

本文共梳理94篇相关文献，由同济大学学者提出。

配备有视觉跟踪方法的基于无人机（UAV）的遥感系统已被广泛用于航空，导航，农业，运输和公共安全等。如上所述，基于UAV的航空跟踪平台已经从研究阶段逐步发展到实际应用阶段，成为未来主要的航空遥感技术之一。但是，由于现实世界中充满挑战的情况，无人机的机械结构（特别是在强风条件下）的振动以及有限的计算资源，准确性，鲁棒性和高效率对于机载跟踪方法都是至关重要的。最近，基于区分相关滤波器（DCF）的跟踪器以其高计算效率和在单个CPU上具有吸引力的鲁棒性而引人注目，并在UAV视觉跟踪社区中蓬勃发展。本文首先概括了基于DCF的跟踪器的基本框架，在此基础上，根据其解决各种问题的创新，有序总结了20种基于DCF的最新跟踪器。此外，对各种流行的无人机跟踪基准进行了详尽和定量的实验，即UAV123，UAV123_10fps，UAV20L，UAVDT，DTB70和VisDrone2019-SOT。

在无人机追踪基准[UAVDT]下，基于DCF的追踪器和深度追踪器的性能比较。图例中带有*的跟踪器是在GPU上运行的结果，该GPU利用GPU加速了卷积和池计算。当跟踪速度在单个CPU上达到红色虚线（30FPS）时，就可以满足无人机实时跟踪的要求:

无人机平台上基于DCF的方法的一般跟踪结构，可分为训练阶段，模型更新和检测阶段:

六个基准测试中的原始属性（在线下）和新属性之间的对应关系，以及每个基准测试对每个新属性的序列号贡献:

综述二

【2】 Multi-modal Visual Tracking: Review and Experimental Comparison

标题：多模态视觉跟踪：综述与实验比较
作者：Pengyu Zhang,Dong Wang,Huchuan Lu
链接：https://arxiv.org/abs/2012.04176

本文共梳理127篇相关文献。

视觉对象跟踪作为计算机视觉中的一项基本任务，近年来引起了很多关注。为了将跟踪器扩展到更广泛的应用范围，研究人员引入了来自多种模式的信息来处理特定的场景，这是新兴方法和基准的有前途的研究前景。为了全面回顾多模式跟踪，本文从不同方面总结了多模式跟踪算法，特别是在统一分类法中的可见深度（RGB-D）跟踪和可见热（RGB-T）跟踪，提供了有关基准和挑战的详细描述。此外，本文进行了广泛的实验，以分析跟踪器在五个数据集上的有效性：PTB，VOT19-RGBD，GTOT，RGBT234和VOT19-RGBT。

早期融合（EF）和晚期融合（LF）的工作流程。基于EF的方法进行特征融合并共同建模；而基于LF的方法旨在分别为每个模态建模，然后组合其决策：

OAPF框架。应用了带有遮挡处理的粒子滤波方法，其中遮挡模型是针对模板模型构造的。当目标被遮挡时，遮挡模型用于预测位置而无需更新模板模型：

JMMAC的工作流程。基于CF的跟踪器用于对外观提示进行建模，同时考虑了相机和目标运动，从而获得了可观的性能: