https://mp.weixin.qq.com/s/vLO8xgSooM3aHWEeZS1RrQ
Ocean：目標感知的Anchor-free實時跟蹤器，表現SOTA！
性能優于SiamRPN++、DiMP等網絡，速度可高達70+ FPS！
論文鏈接：
https://arxiv.org/pdf/2006.10721.pdf
代碼剛剛開源！
https://github.com/researchmm/TracKit
作者團隊：中科院&微軟

文章目錄

• 摘要
• Introduction
• • 目標感知 分類網絡
  • • 特征對齊模塊（feature sampling locations）

摘要

傳統方法的缺點： 值在正樣本 anchor boxes 上訓練。

本文提出：

1、 一個網絡結構： 目標感知無錨框
2、 不微調參考anchor boxex， 直接預測模板 位置和尺度，使用無錨方式。
3、一種特征校準模塊， 從預測的bounding box 里面學習預測的 目標。

Introduction

先介紹了 Siamese 系列 ， RPN 的引入， 然后說明了 該系列的重要缺漏。

發現問題:

只關注 anchor 正樣本 IoU >=0.6 的， 忽略了 在box 中 ， 目標很小的情況。

會跟蹤失敗， 當分類結果不可信的時候。 例如： 由于累計誤差， 預測的目標會不可信。

提出問題 ： 能否 設計一個 bounding-box 回歸網絡， 能矯正不精確的預測？

網絡結構：

1、 目標感知 分類網絡 ： 判斷一個 region 屬于前景還是背景
2、bounding-box 回歸網絡： 預測 目標的每個像素到 GT box 的是個邊的距離。

回歸網絡預測出的 結果 ， 可以分類網絡 區分前景背景。

？ 為什么 要預測 目標到4個邊的距離？？

： 每個點 對

29:21 ： 長寬比設置的不好

free- 直接對點， 每個點直接進行像素級別的回歸， 對4個邊界進行回歸， 會直接一點。

？由于 每個GT 中的像素被訓練好了， 回歸網絡 定位目標 甚至， 當只有一小塊區域被識別為前景時， 回歸網絡也能定位目標？

目標感知網絡，需要學習一個 Object-ware Feature ， 從 預測好的 bounding box 中 學習得到， 用于分類。

目標感知 分類網絡

特征對齊模塊（feature sampling locations）

特征對齊模塊干啥啦？？？

保證了 采樣在預測區域內制定， 適應了目標尺度和位置變化。

（采樣？？在哪兒采樣？？）

34：

模板更新。

模塊用。

改進

CRPN

特征融合SSD

總結

以上是生活随笔為你收集整理的【论文阅读笔记】Ocean: 目标感知的Anchor-free实时跟踪器，速度70+FPS！刚开源（更新中）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。