DaSiamRPN網絡的全稱為Distractor-aware SiamRPN，是基于SiamRPN網絡結構，提出更好的使用數據，針對跟蹤過程的干擾物，利用更好的訓練方式是跟蹤更加的魯棒。

DaSiamRPN認識到了現有的目標追蹤數據集中存在的不平衡問題，即之前的目標追蹤數據集會導致目標追蹤算法的判別能力較差，造成這種現象的原因是，在目標周圍的背景信息中，非語義背景（即真正的“背景”信息）占據了主要部分，語義背景（背景中的人、狗等實體）占據了極少一部分。這種不平衡的分布使得模型趨向于去學習到一個區分前景（目標+語義背景）和背景（非語義背景）的模型，而不是學習一個實例級別的表示方法。各種不同目標追蹤算法的熱圖如下:

基于上面這個理論，為目標追蹤算法添加了一些數據對，用于增強算法的判別能力，其中，Detection pairs:提出使用ImageNet Detection和COCO數據集，通過一些數據增強技術構造出樣本對，這類樣本對用于提高模型的泛化能力。其次，使用來自相同類別的負樣本對。如下圖中(b)。最后，使用來自不同類別的負樣本對。如下圖中(c)。添加這兩類負樣本可以使模型在超出視線、全遮擋的情況下，避免模型漂移到其他的目標上去。這兩類樣本對用于提高模型的判別能力。

當模型跟蹤失敗的時候，模型采取一種“局部-全局”增大search region的策略去重新跟蹤目標。如下圖所示（紅色是ground truth，綠色的是跟蹤結果，藍色的是search region）:

detection scores?指的是算法判定追蹤質量的分數，

overlaps指的是ground truth與tracking box之間的IOU。至于如何判斷模型何時跟蹤失敗，

由于論文中使用多種策略增強了模型的判別能力，所以可以使用模型的判別分數來估算是否跟丟.

總結

以上是生活随笔為你收集整理的智慧交通day04-特定目标车辆追踪03：siamese在目标跟踪中的应用-DaSiamRPN(2018)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。