文獻(xiàn)：DaSiamRPN: Zheng Zhu, Qiang Wang, Bo Li, Wu Wei, Junjie Yan, Weiming Hu."Distractor-aware Siamese Networks for Visual Object Tracking." ECCV (2018). [paper][github]

文章主要貢獻(xiàn)

1.訓(xùn)練數(shù)據(jù)的擴(kuò)充

加入Detection pair (ImageNet,COCO中做數(shù)據(jù)增廣)

negative simple in same categories (Called Distractor-aware Training)

negative simple in different categories (Called Distractor-aware Training)

2.Distractor Model

• 引入Distractor Model,將Proposal與exemplar的相似性度量得分減去所有之前預(yù)先得到的Distrator(NMS將網(wǎng)絡(luò)提出的proposal去冗余,去掉classification score最高的proposal，在剩下的Distrator set 中保留score大于給定閾值的proposal)與當(dāng)前proposal 的score(相似性度量)的加權(quán)和的平均

  3.long term Tracking

• 當(dāng)追丟時(shí)用local to global stategy 恒定step迭代的增加搜索區(qū)域的大小

  具體而言

  ## 1. 擴(kuò)充數(shù)據(jù)集

  detection pairs	negative pair from same categoriess	negative pairs from different categories

  2. Distractor Model

  TEST:\(\Gamma(n)=(n-1)!\quad\forall n\in\mathbb N\)
  傳統(tǒng)的SiamTracking是用求相似性度量用以下公式：
  \[f(x)=\varphi(x)*\varphi(z)+b\cdot\mathbf{1}\]
• 作者提出將NMS將網(wǎng)絡(luò)提出的proposal去冗余,去掉classification score最高的proposal，在剩下的Distrator set 中保留score大于給定閾值的proposal)與當(dāng)前proposal 的score(相似性度量)的加權(quán)和的平均
  \[q=\mathop{\arg\max}\limits_{p_{k}\in\mathcal{P}} f(z,p_{k})- \frac{\hat{\alpha}-\sum_{i=1}^{n}\alpha_{i}f(d_{i},p_{k})} {\sum_{i=1}^{n}\alpha_{i}}\]
  \(\mathcal{P}\) 是score在top-k的proposal, \(\alpha_{i}\)是每個(gè)干擾proposal的權(quán)重(paper中是全為1), \(d_{i}\)是第 \(i\) 個(gè) distractor proposal

• 因?yàn)樽韵嚓P(guān)操作是線性的，則將\(\varphi(p_{k})\)提出來(lái)：

\[q=\mathop{\arg\max}\limits_{p_{k}\in\mathcal{P}}(\varphi(z)-\frac{\hat{\alpha}\sum_{i=1}^{n}\alpha_{i}f(d_{i},p_{k})} {\sum_{i=1}^{n}\alpha_{i}})*\varphi(p_{k})\]

3.Long term Tracking

• 當(dāng)追丟時(shí)用local to global stategy 恒定step迭代的增加搜索區(qū)域的大小

  to be continued

轉(zhuǎn)載于:https://www.cnblogs.com/Zak-NoS/p/10947092.html

總結(jié)

以上是生活随笔為你收集整理的论文阅读 | DasiamRPN的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)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。