High Performance Visual Tracking with Siamese Region Proposal Network
2018-11-26 18:32:02
Paper：http://openaccess.thecvf.com/content_cvpr_2018/papers/Li_High_Performance_Visual_CVPR_2018_paper.pdf
PyTorch Code：https://github.com/songdejia/siamese-RPN-pytorch
Train Code: https://github.com/MathsXDC/DaSiamRPNWithOfflineTraining
TensorFlow Code：https://github.com/makalo/Siamese-RPN-tensorflow
Reference Code：https://github.com/zkisthebest/Siamese-RPN
Another Implementation based on PyTorch with deeper and wider backbone network (SiamDW, CVPR-2019): https://github.com/researchmm/SiamDW (all the train and test code !!!)
1. Background and Motivation :
现有的跟踪方法主要分为两种：
1). 相关滤波跟踪方法；也有将 deep feature 结合到 CF 方法中，但是速度不够快；
2). 完全基于深度网络的跟踪方法，由于没有用到 domain-specific information，效果并不是很突出。
本文将 RPN 引入到跟踪过程中，极大地改善了跟踪效果。主要包含两个分支：
1). Template branch;
2). Detection branch;
在测试阶段，作者将其看做是：local one-shot detection framework，第一帧中的 BBox 仅提供 exemplar。作者将 template branch 重新看做是参数来预测 detection kernels，类似于 meta-learner。meata-learner 和 detection branch 都仅仅用 RPN 的监督来进行端到端的训练。在 online tracking 过程中，Template branch 会被修剪以达到加速的目的。本文所提出的方法也是第一次将 online tracking 看做是 one-shot detection 任务。
本文所提出的 Siamese RPN 的流程图如下所示：
2. Siamese-RPN framework：
2.1 Siamese feature extraction subnetwork
在孪生网络中， 作者采用不带 padding 的全卷积网络。骨干网络是修改后的 AlexNet，Siamese tracker 的示意图如下：
2.2 Region Proposal Subnetwork
该 RPN 子网络包含两个部分：pair-wise correlation section 以及 supervision section。
Supervision section 包含两个分支：一个是用于前景和背景分类的分支，另一个分支用于 proposal 回归。
如果有 k 个 anchors，网络需要输出 2k channel 以进行分类，4k channels 以进行回归。所以，pair-wise correlation 首先增加 channel 个数为两个部分。另一个分支也分为两路，即：reg 和 cls。Template 分支输出的 feature 可以看做是 “kernel”，在 search region 的 feature 上进行卷积操作。在 classification 和 regression branch 上都要进行 correlation 操作：
当进行训练时，作者采用 Faster RCNN 的损失函数。用交叉熵损失函数来训练 classification 分支，L1 loss 用于 regression 分支的训练。
Ax, Ay, Aw, Ah 代表 anchor boxes 的中心点和形状，Tx, Ty, Tw, Th 代表 GT boxes，所以，归一化的距离可以表达为：
然后，其通过 L1 loss，具体表达形式为：
最终，作者优化的损失函数为：
其中，Lcls 是交叉熵损失，Lreg 是：
2.3 Training Phase
在训练阶段，ImageNet VID 和 Youtube-BB 被用于采集 sample pairs 来进行相似度匹配的训练。
anchors 的选择是基于 IoU 进行的，当 IoU 大于设定的阈值（文中设置为 0.6），并且是正样本的时候，被当做是 anchors。负样本则认为是那些 IoU 低于 0.3 的。
对于一个 training pair，作者设置最多 16 个正样本，总共 64 个样本。
3. Tracking as one-shot detection:
==