In Anwendungen der Computer Vision bieten Tracking-Algorithmen basierend auf Siamese-Netzwerken im Vergleich zu traditionellen Objektverfolgungsalgorithmen Verbesserungen in Geschwindigkeit und Genauigkeit, sind jedoch stark durch Störfaktoren wie Verdeckung und Verformung beeinflusst. Basierend darauf fasst dieser Artikel die Verbesserungen bestehender Methoden und Techniken des objektverfolgungsbasierten Siamese-Netzwerks zusammen und analysiert sie, einschließlich der Einführung vollständig konvolutionaler Siamese-Neuronaler Netzwerke, der Einführung von Regressionsmethoden und Online-Aktualisierungsmethoden. Es wird ein Überblick über Verbesserungen von objektverfolgungsalgorithmen auf Basis dieser drei Methoden gegeben und die in- und ausländischen Forschungsfortschritte und der Entwicklungsstand von Siamese-Netzwerken in der Zielverfolgungsanwendung detailliert beschrieben. Gleichzeitig wurden Experimente mit den Datensätzen VOT2017 und LaSOT durchgeführt, um die Leistung verschiedener auf Siamese-Neuronalen Netzwerken basierender Tracking-Algorithmen zu vergleichen. Abschließend wird ein Ausblick auf die Entwicklungstrends der objektverfolgungsbasierten Siamese-Netzwerkansätze gegeben.

Computer Vision;Zielverfolgung;Siamese-Netzwerke;Deep Learning