UDT是中科大、腾讯AI lab和上交的研究者提出的无监督目标跟踪算法。仔细阅读过这篇文章之后，写下一篇paper reading加深印象。
论文标题：Unsupervised Deep Tracking
论文地址：https://arxiv.org/pdf/1904.01828.pdf
Github(pytorch)：https://github.com/594422814/UDT_pytorch
无监督目标跟踪的“无监督”体现在：无需标注的视频数据训练。当然，首帧（模板帧）是需要标注的，这是目标跟踪的底线-_-
论文最大的亮点是提出了“一致性损失”(consistency loss)，这也是UDT能够实现无监督跟踪的根本。
我们先观察图(a)，#1表示的是模板帧，模板帧的红框是Ground Truth（就是label的意思）。为什么无监督tracking还有GT呢？前面已经说了，首帧标注是tracking的底线-_-，只有把目标框出来，模型才能进行“跟踪”。
第一步，根据模板帧#1推测出下（另）一帧#2的bounding box，一开始可能效果很差，但是我们不急，继续进行第二步；
第二步，把#2的bounding box当作模板帧，同时把#1当作需要推测的帧。即用#2反推#1；
第三步，#2反推出的#1的bounding box与#1的GT作比较，它俩必然有差别，可以根据这一差别构建一个损失函数，这个损失函数就是一致性损失；
以上就是UDT最大的创新点，使用反推构建一致性损失。这一操作在GAN模型中经常使用，CycleGAN，AugGAN，MUNIT等图像转换网络中都会构建“一致性损失”来优化。而将这一trick用到tracking领域，确实让人眼前一亮。
看一下细节实现：
UDT的主体仍然采用经典的孪生网络(Siamese Network)。如图(b)所示，将训练过程分为两个部分，一个“前向跟踪”，一个“反向跟踪”。采用的思想与本文前面介绍的一致，在前向跟踪的过程中，使用GT模板帧对未来帧进行预测；在反向跟踪过程中，使用被推理出“伪标签”的未来帧作为模板帧来对GT模板帧进行预测。
结果
嗯，粗略瞄一下结果。无监督的UDT的准确率基本和第一代孪生跟踪网络SiamFC持平。感觉还是很promising的，毕竟视频单帧标注真的很费功夫。改日复现一下。
