Q1: 如何看待机器学习算法（如模型及优化算法）在处理视觉跟踪问题上的作用？
A1: 多数在模型层面思考跟踪问题 。（左旺孟）
A2: 机器学习算法十分重要，基于learning-based算法仍然十分有效。跟踪领域要求可能不太一样，根据问题特点提出适合的算法，offline training, online finetuning等都是tracking的特色。（鲁继文）
A3: 跟踪本是一个oneshot learning问题。解决问题时，要从tracking问题本身出发，模型更新，特征选取与学习，时序建模等。CV会议一般从问题本身出发，机器学习刊物更看重模型的通用性。（马超）
A4: 机器学习算法作为工具，从不同角度发掘潜力。另外，tracking中的核心问题是online问题，如何建立online 与offline的关系，使online update 更加快速准确非常重要。（彭厚文）
A5: 机器学习作为工具，结合tracking问题设计解决方案。（李成龙）
Q2: 相比目标检测、图像分割等基础视觉问题，视觉目标跟踪目前发展还存在哪些不足之处？
A1: Tracking对其他领域的影响不足。（李成龙）
A2: online 是tracking的本质问题，很多vision问题所不具有。detection在复杂场景中依然需要依赖tracking技术。某些角度看，tracking比detection滞后，但是有本身的特点。（彭厚文）
A3: tracking的evaluation是大问题，现有的metric不太可靠。tracking的框架没有突破detection/verification，沿用tracking-by-detection，没有发展独立的研究问题，本质问题有待突破。（鲁继文）
A4: 对其他学科启发、促进作用有限。如果将tracking作为oneshot learning发展的平台，影响力会更大。虽然oneshot learning无法解决tracking中的所有问题，但如果最好的oneshot learning算法来自于tracking，则会更好。（左旺孟）
A5: detection对领域的贡献的确比较大，tracking相比较为有限。时序连续性，例如motion建模是tracking的重要问题，但目前的方法主要基于appearance缺乏时序建模。忽视了tracking本身的一些问题。对这些问题的研究可以提升tracking领域研究的个性。（马超）
Q3: 目前视觉目标跟踪研究更加注重外观建模而较为忽视时序信息建模，如何看待这一现象？有没有好的时序建模思路？
A1: LSTM在tracking上的应用较为困难，训练需要大量数据，但目前tracking数据集有限。（马超）
A2: 时序建模问题的确很多，反而简单的，相邻帧模型更为有效。LSTM在视频超分辨中反倒有效果，可能和tracking本身的特性有关。（左旺孟）
A3: 能否预测目标外观的变化，这与时序建模可能有很大的关联性。（李成龙）
Q4: 如何看待深度学习（深度特征）对跟踪效果的提升？如何看待当前各种深度学习算法采用的训练数据集不一致的问题？
A1: 当常采用小样本训练时，训练数据的不同会影响对比公平性情况确实存在。（李成龙）。
A2: 对现有方法的改进，应当采用相同的训练数据，否则实验不公平。我会要求在相同数据量下比较，但同时鼓励使用大数据训练，分开进行对比。（彭厚文）
A3: tracking与计算机视觉的推动得益于同一平台，同一设置的实验对比。一定要保证实验的公平性。（鲁继文）
A4: 要重点强调自己的贡献，不要将tracking作为数据、模型复杂度等因素都综合考虑。做研究一定要控制变量考虑问题、验证算法贡献。（左旺孟）
A5: 模型过于复杂可能最终效果不佳，应更多的考虑如何根据跟踪问题本身设计算法。（马超）
Q5: 视觉目标跟踪有哪些新的方向、新的应用？
A1: 多目标跟踪发展空间很大，机器人方面可能会有更多应用。（彭厚文）
A2: 跨模态、多模态数据的跟踪可以进一步研究。（李成龙）
A3: 体育视频、军事、等方面是tracking理想的应用场景。tracking在交通监控中的性能如果可以提升，一定会取得进一步的重视。（鲁继文）
A4: 垂直领域应用可能更有效。对于研究，被其他研究领域应用更为重要。（左旺孟）
A5: 无人驾驶是潜在的应用领域。（马超）
Q6: 视频类别无限，帧间连续性复杂，通用跟踪是不是伪命题？能否开辟分类别、场景跟踪？
A1:与tracking的起源有关，将tracking定义general，则会更加注重motion和appearance。（彭厚文）
A2:限制场景更加合理，但是类别不太好限定，否则和detection难以区分。如果能将某种挑战解决也十分可观。（李成龙）
Q7: 目标与多目标跟踪比较割裂。如何将单目标用于多目标？
A1: 算法角度，多线程的单目标跟踪可用于MOT，但不理想，计算量大。MOT主要解决的问题是instance之间的匹配问题，MOT近年来受到关注，相信未来会有快速发展。（彭厚文）。
Q8: RGBT算法在融合时还是data-based的，能否有先验信息指导？从多模态融合角度发展趋势。
A1:没有想到理想的先验信息。应根据T模态本身的特性出发，设计多模态融合。（李成龙）
Q9: CV领域前景问题。
A1: 学生也忧虑CV前景问题。今年进展有限，与期待有落差。该领域竞争激烈，发展快。只要做的好，一定有出路。选择CV行业一定要是真爱。（鲁继文）
A2: 未来发展可能更加偏实用的、具体的领域。（左旺孟）
A3: 只有工作优秀才能脱颖而出，对大多数专业可以作为实践的方向，锻炼编程等实践内容。（马超）
A4: 感觉CV是很实用的，比较看好CV的发展。（李成龙）
A5: 主要看兴趣，思考问题要长远，结合自身目标。（彭厚文）