共计 5595 个字符，预计需要花费 14 分钟才能阅读完成。
原文链接
论文地址：http://openaccess.thecvf.com/…
摘要
大多数性能优越的视觉指标跟踪器很难有实时速度。在这篇文章中，咱们提出了孪生候选区域生成网络（Siamese region proposal network），简称 Siamese-RPN，它可能利用大尺度的图像对离线端到端训练。具体来讲，这个构造蕴含用于特征提取的 孪生子网络 （Siamese subnetwork）和 候选区域生成网络 （region proposal subnetwork），其中候选区域生成网络蕴含 分类 和回归 两条支路。在跟踪阶段，咱们提出的办法被结构成为单样本检测工作（one-shot detection task）。
咱们事后计算孪生子网络中的模板支路，也就是第一帧，并且将它结构成一个检测支路中区域提取网络外面的一个卷积层，用于在线跟踪。得益于这些改进，传统的多尺度测试和在线微调能够被舍弃，这样做也大大提高了速度。Siamese-RPN 跑出了 160FPS 的速度，并且在 VOT2015,VOT2016 和 VOT2017 上获得了当先的问题。
1. 引言
与适当设计的最先进的基于相干滤波器的办法相比，基于离线训练的基于深度学习的跟踪器能够取得较好的后果。要害是候选的孪生候选区域生成网络（Siamese-RPN）。它由 模板分支 和检测分支 组成，它们以端到端的形式对大规模图像对进行离线训练。受到最先进的候选区域提取办法 RPN 的启发，咱们对相干 feature map 进行提议提取。与规范 RPN 不同，咱们应用两个分支的相干特色映射进行提议提取。在跟踪工作中，咱们没有预约义的类别，因而咱们须要模板分支将指标的外观信息编码到 RPN 因素图中以辨别前景和背景。
在跟踪阶段，作者将此工作视为单指标检测工作（one-shot detection），什么意思呢，就是把第一帧的 bb 视为检测的样例，在其余帧外面检测与它类似的指标。
综上所述，作者的奉献有以下三点：
1. 提出了 Siamese region proposal network，可能利用 ILSVRC 和 YouTube-BB 大量的数据进行离线端到端训练。
2. 在跟踪阶段将跟踪工作结构出部分单指标检测工作。
3. 在 VOT2015, VOT2016 和 VOT2017 上获得了当先的性能，并且速度能都达到 160fps。
2. 相干工作
2.1 RPN
RPN 即 Region Proposal Network，是用 RON 来抉择感兴趣区域的，即 proposal extraction。例如，如果一个区域的 p >0.5，则认为这个区域中可能是 80 个类别中的某一类，具体是哪一类当初还不分明。到此为止，网络只须要把这些可能含有物体的区域选取进去就能够了，这些被选取进去的区域又叫做 ROI（Region of Interests），即感兴趣的区域。当然 RPN 同时也会在 feature map 上框定这些 ROI 感兴趣区域的大抵地位，即输入 Bounding Box。
RPN 具体介绍：https://mp.weixin.qq.com/s/VX…
2.2 One-shot learning
最常见的例子就是人脸检测，只晓得一张图片上的信息，用这些信息来匹配出要检测的图片，这就是单样本检测，也能够称之为一次学习。
3 Siamese-RPN framework
3.1 SiamFC
SiamFC 具体介绍：https://mp.weixin.qq.com/s/kS…
所谓的 Siamese（孪生）网络，是指网络的主体构造分高低两支，这两支像双胞胎一样，共享卷积层的权值。下面一支（z）称为模板分支（template），用来提取模板帧的特色。φ 示意一种特征提取办法，文中提取的是深度特色，通过全卷积网络后失去一个 6×6×128 的 feature map φ(z)。上面一支（x）称为检测分支（search），是依据上一帧的后果在以后帧上 crop 出的 search region。同样提取了深度特色之后失去一个 22×22×128 的 feature map φ(x)。模版支的 feature map 在以后帧的检测区域的 feature map 上做匹配操作，能够看成是 φ(z)在 φ(x)上滑动搜寻，最初失去一个响应图，图上响应最大的点就是对应这一帧指标的地位。
Siamese 网络的长处在于，把 tracking 工作做成了一个检测 / 匹配工作，整个 tracking 过程不须要更新网络，这使得算法的速度能够很快（FPS：80+）。此外，续作 CFNet 将特征提取和特色判断这两个工作做成了一个端到端的工作，第一次将深度网络和相干滤波联合在一起学习。
Siamese 也有显著的缺点：
1. 模板支只在第一帧进行，这使得模版特色对指标的变动不是很适应，当指标产生较大变动时，来自第一帧的特色可能不足以表征指标的特色。至于为什么只在第一帧提取模版特色，我认为可能因为：
（1）第一帧的特色最牢靠也最鲁棒，在 tracking 过程中无奈确定哪一帧的后果牢靠的状况下，只用第一帧特色足以失去不错的精度。
（2）只在第一帧提取模板特色的算法更精简，速度更快。
2.Siamese 的办法只能失去指标的核心地位，然而得不到指标的尺寸，所以只能采取简略的多尺度加回归，这即减少了计算量，同时也不够准确。
网络训练原理
如图所示，上一帧的指标模板与下一帧的搜寻区域能够形成很多对的模板 - 候选对（exemplar-candidate pair），然而依据判别式跟踪原理，仅仅下一帧的指标与上一帧的指标区域(即 exemplar of T frame-exemplar of T+1 frame）属于模型的正样本，其余大量的 exemplar-candidate pair 都是负样本。这样就实现了网络结构的端到端的训练。
3.2 Siamese-RPN
右边是孪生网络结构，高低支路的网络结构和参数完全相同，下面是输出第一帧的 bounding box，靠此信息检测候选区域中的指标，即模板帧。上面是待检测帧，显然，待检测帧的搜寻区域比模板帧的区域大。两头是 RPN 构造，又分为两局部，上局部是分类支路，模板帧和检测帧的通过孪生网络后的特色再通过一个卷积层，模板帧特色通过卷积层后变为 2k×256 通道，k 是 anchor 数量，因为分为两类，所以是 2k。上面是边界框回归支路，因为有四个量[x, y, w, h]，所以是 4k 左边是输入。
3.3 孪生特征提取子网络
预训练的 AlexNet，剔除了 conv2 conv4 两层。φ(z)是模板帧输入，φ(x)是检测帧输入
3.4 候选区域提取子网络
分类支路和回归支路别离对模板帧和检测帧的特色进行卷积运算：
$$
A^{cls}_{w×h×2k}=[\psi(x)]_{cls}×[\psi(z)]_{cls}\\
A^{reg}_{w×h×4k}=[\psi(x)]_{reg}×[\psi(z)]_{reg}
$$
$A^{cls}_{w×h×2k}$ 蕴含 2k 个通道向量，中的每个点示意正负激励，通过穿插熵损失分类；$A^{reg}_{w×h×4k}$ 蕴含 4k 个通道向量，每个点示意 anchor 和 gt 之间的 dx,dy,dw,dh，通过 smooth L1 损失失去:
$$
\delta[0]=\frac{T_x-A_x}{A_w}，
\delta[1]=\frac{T_y-A_y}{A_h}\\
\delta[2]=ln\frac{T_w}{A_w}，
\delta[3]=ln\frac{T_h}{A_h}
$$
Ax, Ay, Aw, Ah 是 anchor boxes 中心点坐标和长宽；Tx, Ty, Tw, Th 是 gt boxes，为什么要这样呢，因为不同图片之间的尺寸存在差别，要对它们做正规化。
smoothL1 损失：
$$
smooth_{L1}(x,\sigma)=\begin{cases} 0.5\sigma^2x^2, & \text |x|<\frac{1}{{\sigma^2}} \\ |x|-\frac{1}{{2\sigma^2}}, & \text |x|≥\frac{1}{{\sigma^2}} \end{cases}
$$
3.5 训练阶段：端到端训练孪生 RPN
因为跟踪中间断两帧的变动并不是很大，所以 anchor 只采纳一种尺度，5 种不同的长宽比（与 RPN 中的 3×3 个 anchor 不同）。当 IoU 大于 0.6 时是前景，小于 0.3 时是背景。
4. Tracking as one-shot detection
均匀损失函数 L：
$$
\min_{W’} \frac{1}{n} \sum_{i=1}^n L(\psi(x_i;w(z_i,W’)),l_i)
$$
如上所述，让 z 示意模板 patch，x 示意检测 patch，函数 φ 示意 Siamese 特征提取子网，函数 ζ 示意区域倡议子网，则一次性检测工作能够示意为：
$$
\min_{W} \frac{1}{n} \sum_{i=1}^n L(\zeta(\psi(x_i;W);\psi(z_i;W)),l_i)
$$
如图，紫色的局部像原始的 Siamese 网络，通过同一个 CNN 之后失去了两个 feature map，蓝色的局部是 RPN。模板帧在 RPN 中通过卷积层，$ \phi (x)_{reg}$ 和 $ \phi (x)_{cls}$ 当作检测所用的核。
简略的说，就是预训练模版分支，利用第一帧的指标特色输入一系列 weights，而这些 weights，蕴含了指标的信息，作为检测分支 RPN 网络的参数去 detect 指标。这样做的益处是：
（1）模板支能学到一个 encode 了指标的特色，用这个特色去寻找指标，这会比间接用第一帧的 feature map 去做匹配更鲁棒。
（2）相比原始的 Siamese 网络，RPN 网络能够间接回归出指标的坐标和尺寸，既准确，又不须要像 multi-scale 一样浪费时间。
通过网络后，咱们将分类和回归特色映射示意为点集：
$$
A^{cls}_{w×h×2k}={(x_i^{cls},y_j^{cls},c_l^{cls})}\\
A^{reg}_{w×h×4k}={(x_i^{reg},y_i^{reg},dx_p^{reg},dy_p^{reg},dw_p^{reg},dh_p^{reg})}\\
i∈[0,w),j∈[0,h),l∈[0,2k),p∈[0,k)
$$
因为分类特色图上的奇数通道代表正激活，咱们收集所有 $A^{cls}_{w×h×2k}$ 中的前 K 个点，其中 l 是奇数，并示意点集为：
$$
CLS^*={(x_i^{cls},y_j^{cls},c_l^{cls})_{i∈I,j∈J,l∈L}}
$$
其中 I，J，L 是一些索引集。
变量 i 和 j 别离编码相应锚点的地位，l 编码相应锚点的比率，因而咱们能够导出相应的锚点汇合为：
$$
ANC^*={(x_i^{an},y_j^{an},w_l^{an},h_l^{an})_{i∈I,j∈J,l∈L}}
$$
此外，咱们发现 $A^{cls}_{w×h×2k}$ 上 ANC* 的激活失去相应的细化坐标为：
$$
FEG^*={(x_i^{reg},y_j^{reg},dx_l^{reg},dy_l^{reg},dw_l^{reg},dh_l^{reg})_{i∈I,j∈J,l∈L}}
$$
因为是分类，$A^{cls}_{w×h×2k}$ 选前 k 个点，分两步抉择：
第一步，舍弃掉间隔核心太远的 bb，只在一个比原始特色图小的固定正方形范畴里抉择，如下图：
核心间隔为 7，认真看图能够看出，每个网格都有 k 个矩形。
第二步，用余弦窗（克制间隔过大的）和尺度变动惩办（克制尺度大变动）来对 proposal 进行排序，选最好的。具体公式可看论文。
用这些点对应的 anchor box 联合回归后果得出 bounding box：
$$
x_i^{pro}=x_i^{an}+dx_l^{reg}*w_l^{an}\\
y_j^{pro}=y_j^{an}+dy_l^{reg}*h_l^{an}\\
w_l^{pro}=w_l^{an}*e^{dw_l}\\
h_l^{pro}=h_l^{an}*e^{dh_l}
$$
an 就是 anchor 的框，pro 是最终得出的回归后的边界框 至此，proposals set 就选好了。
而后再通过非极大克制(NMS)，顾名思义，就是将不是极大的框都去除掉，因为 anchor 个别是有重叠的 overlap，因而，雷同 object 的 proposals 也存在重叠。为了解决重叠 proposal 问题，采纳 NMS 算法解决：两个 proposal 间 IoU 大于预设阈值，则抛弃 score 较低的 proposal。
IoU 阈值的预设须要审慎解决，如果 IoU 值太小，可能失落 objects 的一些 proposals；如果 IoU 值过大，可能会导致 objects 呈现很多 proposals。IoU 典型值为 0.6。
5. 施行细节
咱们应用从 ImageNet [28]预训练的改良的 AlexNet，前三个卷积层的参数固定，只调整 Siamese-RPN 中的最初两个卷积层。这些参数是通过应用 SGD 优化等式 5 中的损耗函数而取得的。共执行了 50 个 epoch，log space 的学习率从 10- 2 升高到 10-6。咱们从 VID 和 Youtube-BB 中提取图像对，通过抉择距离小于 100 的帧并执行进一步的裁剪程序。如果指标边界框的大小示意为（w，h），咱们以大小 A×A 为核心裁剪模板补丁，其定义如下：
$$
(w+p)×(h+p)=A^2
$$
其中 p =(w + h)/2
之后将其调整为 127×127。以雷同的形式在以后帧上裁剪检测补丁，其大小是模板补丁的两倍，而后调整为 255×255。
在推理阶段，因为咱们将在线跟踪制订为一次性检测工作，因而没有在线适应。咱们的试验是在带有 Intel i7,12G RAM，NVidia GTX 1060 的 PC 上应用 PyTorch 实现的。
学习更多编程常识，请关注我的公众号：
代码的路