共计 2402 个字符，预计需要花费 7 分钟才能阅读完成。
原文链接
SiamFC 网络
图中 z 代表的是模板图像，算法中应用的是第一帧的 ground truth；x 代表的是 search region，代表在前面的待跟踪帧中的候选框搜寻区域；ϕ 代表的是一种特色映射操作，将原始图像映射到特定的特色空间，文中采纳的是 CNN 中的卷积层和 pooling 层；6×6×128 代表 z 通过 ϕ 后失去的特色，是一个 128 通道 6×6 大小 feature，同理，22×22×128 是 x 通过 ϕ 后的特色；前面的×代表卷积操作，让 22×22×128 的 feature 被 6×6×128 的卷积核卷积，失去一个 17×17 的 score map，代表着搜寻区域中各个地位与模板类似度值。
算法自身是比拟搜寻区域与指标模板的类似度，最初失去搜寻区域的 score map。其实从原理上来说，这种办法和相关性滤波的办法很类似。其在搜寻区域中逐点的指标模板进行匹配，将这种逐点平移匹配计算类似度的办法看成是一种卷积，而后在卷积后果中找到类似度值最大的点，作为新的指标的核心。
上图所画的 ϕ 其实是 CNN 中的一部分，并且两个 ϕ 的网络结构是一样的，这是一种典型的孪生神经网络，并且在整个模型中只有 conv 层和 pooling 层，因而这也是一种典型的全卷积（fully-convolutional）神经网络。
在训练模型的时必定须要损失函数，并通过最小化损失函数来获取最优模型。本文算法为了结构无效的损失函数，对搜寻区域的地位点进行了正负样本的辨别，即指标肯定范畴内的点作为正样本，这个范畴外的点作为负样本，例如图 1 中最右侧生成的 score map 中，红色点即正样本，蓝色点为负样本，他们都对应于 search region 中的红色矩形区域和蓝色矩形区域。文章采纳的是 logistic loss，具体的损失函数模式如下：
对于 score map 中了每个点的损失：
$$
l(y,x)=log(1+exp(-xy))
$$
其中 v 是 score map 中每个点实在值，y∈{+1,−1}是这个点所对应的标签。
下面的是 score map 中每个点的 loss 值，而对于 score map 整体的 loss，则采纳的是全副点的 loss 的均值。即：
$$
L(y,v)=\frac{1}{|D|}\displaystyle \sum_{u\in D}l(y[u],v[u])
$$
这里的 u∈D 代表 score map 中的地位。
整个网络结构相似与 AlexNet，然而没有最初的全连贯层，只有后面的卷积层和 pooling 层。
整个网络结构如上表，其中 pooling 层采纳的是 max-pooling，每个卷积层前面都有一个 ReLU 非线性激活层，然而第五层没有。另外，在训练的时候，每个 ReLU 层前都应用了 batch normalization（批规范化是深度学习中常常见到的一种训练方法，指在采纳梯度降落法训练 DNN 时，对网络层中每个 mini-batch 的数据进行归一化，使其均值变为 0，方差变为 1，其次要作用是缓解 DNN 训练中的梯度隐没 / 爆炸景象，放慢模型的训练速度），用于升高过拟合的危险。
AlexNet
AlexNet 为 8 层构造，其中前 5 层为卷积层，前面 3 层为全连贯层；学习参数有 6 千万个，神经元有 650,000 个。AlexNet 在两个 GPU 上运行；AlexNet 在第 2,4,5 层均是前一层本人 GPU 内连贯，第 3 层是与后面两层全连贯，全连贯是 2 个 GPU 全连贯；
RPN 层第 1,2 个卷积层后；Max pooling 层在 RPN 层以及第 5 个卷积层后。ReLU 在每个卷积层以及全连贯层后。
卷积核大小数量：
- conv1:96 11×11×3(个数 / 长 / 宽 / 深度)
- conv2:256 5×5×48
- conv3:384 3×3×256
- conv4: 384 3×3×192
- conv5: 256 3×3×192
ReLU、双 GPU 运算：进步训练速度。（利用于所有卷积层和全连贯层）
重叠 pool 池化层：进步精度，不容易产生适度拟合。（利用在第一层，第二层，第五层前面）
部分响应归一化层(LRN)：进步精度。（利用在第一层和第二层前面）
Dropout：缩小适度拟合。（利用在前两个全连贯层）
微调（fine-tune）
看到他人一个很好的模型，尽管针对的具体问题不一样，然而也想试试看，看能不能失去很好的成果，而且本人的数据也不多，怎么办？没关系，把他人现成的训练好了的模型拿过去，换成本人的数据，调整一下参数，再训练一遍，这就是微调（fine-tune）。
解冻预训练模型的局部卷积层（通常是凑近输出的少数卷积层），训练剩下的卷积层（通常是凑近输入的局部卷积层）和全连贯层。从某意义上来说，微调应该是迁徙学习中的一部分。
感知机：PLA
多层感知机是由感知机推广而来，感知机学习算法 (PLA: Perceptron Learning Algorithm) 用神经元的构造进行形容的话就是一个独自的。
感知机的神经网络示意如下：
多层感知机：MLP
多层感知机的一个重要特点就是多层，咱们将第一层称之为输出层，最初一层称之为输入层，两头的层称之为隐层。MLP 并没有规定隐层的数量，因而能够依据各自的需要抉择适合的隐层层数。且对于输入层神经元的个数也没有限度。
MLP 神经网络构造模型如下, 本文中只波及了一个隐层，输出只有三个变量 [x1,x2,x3] 和一个偏置量 b，输入层有三个神经元。相比于感知机算法中的神经元模型对其进行了集成。
ReLU 函数
ReLU 函数公式如下：
$$
RELU(x)= \begin{cases} x, & \text {if x>0} \\ 0, & \text{if x<0} \end{cases}
$$
图像如下：
sigmod 函数
sigmod 函数在趋于正无穷或负无穷时，函数趋近平滑状态。因为输入范畴（0，1），所以二分类的概率经常用这个函数。
sigmoid 函数表达式如下：
$$
f(x)=\frac{1}{(1-e^{-z})}
$$
图像如下：
学习更多编程常识，请关注我的公众号：
代码的路
