Im Bereich der Computer Vision haben verfolgungsalgorithmen basierend auf Zwillingsnetzwerken im Vergleich zu traditionellen Algorithmen die Genauigkeit und Geschwindigkeit verbessert, sind jedoch weiterhin von Zielverdeckung, Verformungen und Umweltveränderungen beeinflusst, was zu einer Leistungsabnahme der verfolgungsalgorithmen basierend auf Zwillingsnetzwerken führt. Um die auf Zwillingsnetzwerken basierenden Einzelnachverfolgungsalgorithmen besser zu verstehen, fasst dieser Artikel bestehende auf Zwillingsnetzwerken basierende Tracking-Algorithmen zusammen und analysiert sie. Er umfasst hauptsächlich Methoden zur Einführung von Aufmerksamkeitsmechanismen in Zwillingsnetzwerke, Methoden zur Hyperparameter-Schätzung und Methoden zur Template-Aktualisierung und gibt eine Übersicht über Tracking-Algorithmen, die diese drei Methoden verwenden. Es werden detailliert die Forschungs- und Entwicklungsstandards der letzten Jahre zu Zwillingsnetzwerk-basierten Algorithmen im In- und Ausland beschrieben. Drei repräsentative Algorithmen wurden anhand der Datensätze VOT2016, VOT2017, VOT2018 und OTB-2015 experimentell verglichen und es wurden Leistungswerte verschiedener Zwillingsnetzwerk-basierter Tracking-Algorithmen erzielt. Abschließend werden die Tracking-Algorithmen auf Zwillingsnetzwerk-Basis zusammengefasst und künftige Entwicklungsrichtungen diskutiert.

Computer Vision;Objektverfolgung;Zwillingsnetzwerke;Deep Learning