张志鹏：中科院自动化研究所模式识别国家重点实验直博，主要研究方向为视频目标跟踪，目前已在CVPR, ICCV, ECCV, AAAI等会议发表多篇论文。
报告题目：视频目标跟踪算法研究进展
报告摘要：在我们CVPR2021的工作TNL2K[1]中，我们第一次在目标跟踪中引入视觉和语言的双模态跟踪模式。在我们ICCV2021工作AutoMatch[2]中，我们对主流的孪生跟踪框架中的核心匹配机制进行了探索，指出标志性的互相关算子并不是最适合跟踪的匹配模式。我们将匹配问题定义为特征融合并引入多个融合算子，通过搜索的方式得到适合跟踪中分类和回归子任务的匹配网络。在我们的AAAI2022工作OMC[3]（CSTrackV2）中，我们将SOT中互相关匹配的思想以最简洁的形式引入MOT任务，将JDE[4]形式的MOT框架推到了SOTA。
分享亮点：
1、基于我们提出的TNL2K[1] 引出目标跟踪的新任务，畅想未来多模态跟踪中的可能范式；
2、讨论近年来目标跟踪中匹配机制的研究进展，我们提出的AutoMatch[2]为未来跟踪中匹配算子的研究提供更多可能性；
3、基于我们提出的OMC[3]探讨SOT和MOT之间思想的相互碰撞。
[1] Wang, Xiao, et al. “Towards More Flexibleand Accurate Object Tracking with Natural Language: Algorithms andBenchmark.” Proceedings of the IEEE/CVF Conference on ComputerVision and Pattern Recognition. 2021.
[2] Zhang, Zhipeng,et al. “Learn to match: Automatic matching network design for visualtracking.” Proceedings of the IEEE/CVF International Conference onComputer Vision. 2021.
[3] Liang, Chao,et al. “One More Check: Making” Fake Background" Be TrackedAgain." arXiv preprint arXiv:2104.09441 (2021).
1. Towards More Flexible and Accurate Object Tracking with Natural Language Algorithms and Benchmark
推荐理由：不卷跟踪算法的性能，通过引入语言这种模态，探讨跟踪问题是否可以有新的血液，也为广大被卷的苦不堪言的跟踪方向研究者提供一种新的思考方向。
2. Learn to Match Automatic Matching Network Design for Visual Tracking
推荐理由：系统性的探讨了跟踪匹配问题的解法，通过搜索的方式得到适用于不同子任务的匹配网络，为未来的专业型跟踪（如无人机，夜晚等场景）搜索最有效跟踪器提供了一种思路。
3. Fully-Convolutional Siamese Networks for Object Tracking
推荐理由：近年来目标跟踪中最经典的论文，单目标跟踪入坑必读之作。将目标跟踪定义为匹配问题并用深度学习以最简洁的形式求解，大道至简。
4. ATOM Accurate Tracking by Overlap Maximization
推荐理由：深度学习之后基于相关滤波在线学习跟踪范式的一个里程碑，马丁大佬的又一篇代表作。
5. Siam R-CNN Visual Tracking by Re-Detection
推荐理由：第一篇将多目标跟踪思想用于解单目标跟踪问题，为单目标跟踪的发展引入了新的模式。
6. SwinTrack A Simple and Strong Baseline for Transformer Tracking
推荐理由：新发的基于Transformer的跟踪器，告诉读者以最简单的方式直接替换backbone并略作改动便可以刷新跟踪的最好性能。相对于到处凑novelty的方式，这种简单粗暴的方式有时候反而更显得真诚。
