? 理解出錯之處望不吝指正。?

? 本文的模型叫做TRACA。模型中使用多個expert auto-encoder，在預訓練階段，每個expert auto-encoder針對一個特定類進行訓練；在tracking階段，對于給定的跟蹤目標，只使用最優的expert auto-encoder。

? 在expert auto-encoder的預訓練階段，首先使用所有的訓練樣本訓練出，對所有樣本在上得到的compressed feature maps進行聚類，得到個簇，針對每個簇，使用該簇對應的樣本基于進行訓練得到個不同的expert auto-encoder。

? 在進行聚類的時候，為了避免有一些簇過小，作者提出了一個two-step方法來進行聚類。（1）.在所有樣本通過上得到的compressed feature maps中進行隨機抽樣得到個樣本，重復這個過程1000次，并且將其中與其他樣本具有最大歐幾里得距離的樣本作為初始的簇，然后使用k-means進行聚類，得到2Ne個簇；（2）.將簇中樣本數較少的個簇刪除，剩余的簇的中心作為上一段落中聚類的初始簇心。

? 為了使訓練得到的更加魯棒，作者使用了兩種降噪方法。（1）.隨機選擇一些通道，將其數值置為0；（2）.互換特征圖中某些位置的值。

? Context-aware Network的目的是，針對某個tracking target，選擇出用哪個expert auto-encoder，故Context-aware Network的輸出值即為expert auto-encoder的標號（簇的標號）。預訓練過程很簡單，使用如下的損失函數（為交叉熵損失、代表預測值、代表真實值）：

???

?

? 以上都是預訓練階段，接下來是tracking階段。

? 針對第一幀。

? 首先，使用高斯濾波和翻轉進行數據增強，得到7個樣本（初始1+高斯濾波4+翻轉2）。

? 然后，使用這7個樣本對選擇的expert auto-encoder進行微調，這里使用到了CF正交損失（代表的層數）：

???

???

? 代表使用compressed feature map中的第k個channel通過下式得到的估計權值：

???

? 上式中，即為該通道的向量值，為向量形式的響應圖，為共軛，為預設的正則系數。戴帽子的原因是傅里葉變換。

? 微調后，刪除那些在target bbox外有很大的響應值的channel。

? 在第二幀及其以后。

? CF使用下式更新：

???

? 使用scaling factor 1.015和1/1.015來處理尺度變換。

? 當出現“全遮擋”時，要進行re-detection（使用上一幀的CF作為re-detection CF），若下式成立則視為發生“全遮擋”：

???

? 其中：

???

???

???

總結

以上是生活随笔為你收集整理的CVPR 2018 TRACA:《Context-aware Deep Feature Compression for High-speed Visual Tracking》论文笔记的全部內容，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。