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。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 (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 (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(z)在(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 。(z)是模板帧输入，(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，函数示意Siamese特征提取子网，函数示意区域倡议子网，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