https://mp.weixin.qq.com/s/vLO8xgSooM3aHWEeZS1RrQ
Ocean：目標(biāo)感知的Anchor-free實(shí)時(shí)跟蹤器，表現(xiàn)SOTA！
性能優(yōu)于SiamRPN++、DiMP等網(wǎng)絡(luò)，速度可高達(dá)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(tuán)隊(duì)：中科院&微軟

文章目錄

• 摘要
• Introduction
• • 目標(biāo)感知 分類網(wǎng)絡(luò)
  • • 特征對(duì)齊模塊（feature sampling locations）

摘要

傳統(tǒng)方法的缺點(diǎn)： 值在正樣本 anchor boxes 上訓(xùn)練。

本文提出：

1、 一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)： 目標(biāo)感知無錨框
2、 不微調(diào)參考anchor boxex， 直接預(yù)測(cè)模板 位置和尺度，使用無錨方式。
3、一種特征校準(zhǔn)模塊， 從預(yù)測(cè)的bounding box 里面學(xué)習(xí)預(yù)測(cè)的 目標(biāo)。

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(fā)現(xiàn)問題:

只關(guān)注 anchor 正樣本 IoU >=0.6 的， 忽略了 在box 中 ， 目標(biāo)很小的情況。

會(huì)跟蹤失敗， 當(dāng)分類結(jié)果不可信的時(shí)候。 例如： 由于累計(jì)誤差， 預(yù)測(cè)的目標(biāo)會(huì)不可信。

提出問題 ： 能否 設(shè)計(jì)一個(gè) bounding-box 回歸網(wǎng)絡(luò)， 能矯正不精確的預(yù)測(cè)？

網(wǎng)絡(luò)結(jié)構(gòu)：

1、 目標(biāo)感知 分類網(wǎng)絡(luò) ： 判斷一個(gè) region 屬于前景還是背景
2、bounding-box 回歸網(wǎng)絡(luò)： 預(yù)測(cè) 目標(biāo)的每個(gè)像素到 GT box 的是個(gè)邊的距離。

回歸網(wǎng)絡(luò)預(yù)測(cè)出的 結(jié)果 ， 可以分類網(wǎng)絡(luò) 區(qū)分前景背景。

？ 為什么 要預(yù)測(cè) 目標(biāo)到4個(gè)邊的距離？？

： 每個(gè)點(diǎn) 對(duì)

29:21 ： 長(zhǎng)寬比設(shè)置的不好

free- 直接對(duì)點(diǎn)， 每個(gè)點(diǎn)直接進(jìn)行像素級(jí)別的回歸， 對(duì)4個(gè)邊界進(jìn)行回歸， 會(huì)直接一點(diǎn)。

？由于 每個(gè)GT 中的像素被訓(xùn)練好了， 回歸網(wǎng)絡(luò) 定位目標(biāo) 甚至， 當(dāng)只有一小塊區(qū)域被識(shí)別為前景時(shí)， 回歸網(wǎng)絡(luò)也能定位目標(biāo)？

目標(biāo)感知網(wǎng)絡(luò)，需要學(xué)習(xí)一個(gè) Object-ware Feature ， 從 預(yù)測(cè)好的 bounding box 中 學(xué)習(xí)得到， 用于分類。

目標(biāo)感知 分類網(wǎng)絡(luò)

特征對(duì)齊模塊（feature sampling locations）

特征對(duì)齊模塊干啥啦？？？

保證了 采樣在預(yù)測(cè)區(qū)域內(nèi)制定， 適應(yīng)了目標(biāo)尺度和位置變化。

（采樣？？在哪兒采樣？？）

34：

模板更新。

模塊用。

改進(jìn)

CRPN

特征融合SSD

總結(jié)

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?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。