Q1: 如何看待機器學習算法（如模型及優化算法）在處理視覺跟蹤問題上的作用？
A1: 多數在模型層面思考跟蹤問題 。（左旺孟）
A2: 機器學習算法十分重要，基於learning-based算法仍然十分有效。跟蹤領域要求可能不太一樣，根據問題特點提出適合的算法，offline training, online finetuning等都是tracking的特色。（魯繼文）
A3: 跟蹤本是一個oneshot learning問題。解決問題時，要從tracking問題本身出發，模型更新，特徵選取與學習，時序建模等。CV會議一般從問題本身出發，機器學習刊物更看重模型的通用性。（馬超）
A4: 機器學習算法作爲工具，從不同角度發掘潛力。另外，tracking中的核心問題是online問題，如何建立online 與offline的關係，使online update 更加快速準確非常重要。（彭厚文）
A5: 機器學習作爲工具，結合tracking問題設計解決方案。（李成龍）
Q2: 相比目標檢測、圖像分割等基礎視覺問題，視覺目標跟蹤目前發展還存在哪些不足之處？
A1: Tracking對其他領域的影響不足。（李成龍）
A2: online 是tracking的本質問題，很多vision問題所不具有。detection在複雜場景中依然需要依賴tracking技術。某些角度看，tracking比detection滯後，但是有本身的特點。（彭厚文）
A3: tracking的evaluation是大問題，現有的metric不太可靠。tracking的框架沒有突破detection/verification，沿用tracking-by-detection，沒有發展獨立的研究問題，本質問題有待突破。（魯繼文）
A4: 對其他學科啓發、促進作用有限。如果將tracking作爲oneshot learning發展的平臺，影響力會更大。雖然oneshot learning無法解決tracking中的所有問題，但如果最好的oneshot learning算法來自於tracking，則會更好。（左旺孟）
A5: detection對領域的貢獻的確比較大，tracking相比較爲有限。時序連續性，例如motion建模是tracking的重要問題，但目前的方法主要基於appearance缺乏時序建模。忽視了tracking本身的一些問題。對這些問題的研究可以提升tracking領域研究的個性。（馬超）
Q3: 目前視覺目標跟蹤研究更加註重外觀建模而較爲忽視時序信息建模，如何看待這一現象？有沒有好的時序建模思路？
A1: LSTM在tracking上的應用較爲困難，訓練需要大量數據，但目前tracking數據集有限。（馬超）
A2: 時序建模問題的確很多，反而簡單的，相鄰幀模型更爲有效。LSTM在視頻超分辨中反倒有效果，可能和tracking本身的特性有關。（左旺孟）
A3: 能否預測目標外觀的變化，這與時序建模可能有很大的關聯性。（李成龍）
Q4: 如何看待深度學習（深度特徵）對跟蹤效果的提升？如何看待當前各種深度學習算法採用的訓練數據集不一致的問題？
A1: 當常採用小樣本訓練時，訓練數據的不同會影響對比公平性情況確實存在。（李成龍）。
A2: 對現有方法的改進，應當採用相同的訓練數據，否則實驗不公平。我會要求在相同數據量下比較，但同時鼓勵使用大數據訓練，分開進行對比。（彭厚文）
A3: tracking與計算機視覺的推動得益於同一平臺，同一設置的實驗對比。一定要保證實驗的公平性。（魯繼文）
A4: 要重點強調自己的貢獻，不要將tracking作爲數據、模型複雜度等因素都綜合考慮。做研究一定要控制變量考慮問題、驗證算法貢獻。（左旺孟）
A5: 模型過於複雜可能最終效果不佳，應更多的考慮如何根據跟蹤問題本身設計算法。（馬超）
Q5: 視覺目標跟蹤有哪些新的方向、新的應用？
A1: 多目標跟蹤發展空間很大，機器人方面可能會有更多應用。（彭厚文）
A2: 跨模態、多模態數據的跟蹤可以進一步研究。（李成龍）
A3: 體育視頻、軍事、等方面是tracking理想的應用場景。tracking在交通監控中的性能如果可以提升，一定會取得進一步的重視。（魯繼文）
A4: 垂直領域應用可能更有效。對於研究，被其他研究領域應用更爲重要。（左旺孟）
A5: 無人駕駛是潛在的應用領域。（馬超）
Q6: 視頻類別無限，幀間連續性複雜，通用跟蹤是不是僞命題？能否開闢分類別、場景跟蹤？
A1:與tracking的起源有關，將tracking定義general，則會更加註重motion和appearance。（彭厚文）
A2:限制場景更加合理，但是類別不太好限定，否則和detection難以區分。如果能將某種挑戰解決也十分可觀。（李成龍）
Q7: 目標與多目標跟蹤比較割裂。如何將單目標用於多目標？
A1: 算法角度，多線程的單目標跟蹤可用於MOT，但不理想，計算量大。MOT主要解決的問題是instance之間的匹配問題，MOT近年來受到關注，相信未來會有快速發展。（彭厚文）。
Q8: RGBT算法在融合時還是data-based的，能否有先驗信息指導？從多模態融合角度發展趨勢。
A1:沒有想到理想的先驗信息。應根據T模態本身的特性出發，設計多模態融合。（李成龍）
Q9: CV領域前景問題。
A1: 學生也憂慮CV前景問題。今年進展有限，與期待有落差。該領域競爭激烈，發展快。只要做的好，一定有出路。選擇CV行業一定要是真愛。（魯繼文）
A2: 未來發展可能更加偏實用的、具體的領域。（左旺孟）
A3: 只有工作優秀才能脫穎而出，對大多數專業可以作爲實踐的方向，鍛鍊編程等實踐內容。（馬超）
A4: 感覺CV是很實用的，比較看好CV的發展。（李成龍）
A5: 主要看興趣，思考問題要長遠，結合自身目標。（彭厚文）