? 理解出錯(cuò)之處望不吝指正。?

? 本文的模型叫做TRACA。模型中使用多個(gè)expert auto-encoder，在預(yù)訓(xùn)練階段，每個(gè)expert auto-encoder針對(duì)一個(gè)特定類進(jìn)行訓(xùn)練；在tracking階段，對(duì)于給定的跟蹤目標(biāo)，只使用最優(yōu)的expert auto-encoder。

? 在expert auto-encoder的預(yù)訓(xùn)練階段，首先使用所有的訓(xùn)練樣本訓(xùn)練出，對(duì)所有樣本在上得到的compressed feature maps進(jìn)行聚類，得到個(gè)簇，針對(duì)每個(gè)簇，使用該簇對(duì)應(yīng)的樣本基于進(jìn)行訓(xùn)練得到個(gè)不同的expert auto-encoder。

? 在進(jìn)行聚類的時(shí)候，為了避免有一些簇過(guò)小，作者提出了一個(gè)two-step方法來(lái)進(jìn)行聚類。（1）.在所有樣本通過(guò)上得到的compressed feature maps中進(jìn)行隨機(jī)抽樣得到個(gè)樣本，重復(fù)這個(gè)過(guò)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(jìn)行聚類，得到2Ne個(gè)簇；（2）.將簇中樣本數(shù)較少的個(gè)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(xùn)練得到的更加魯棒，作者使用了兩種降噪方法。（1）.隨機(jī)選擇一些通道，將其數(shù)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(duì)某個(gè)tracking target，選擇出用哪個(gè)expert auto-encoder，故Context-aware Network的輸出值即為expert auto-encoder的標(biāo)號(hào)（簇的標(biāo)號(hào)）。預(yù)訓(xùn)練過(guò)程很簡(jiǎn)單，使用如下的損失函數(shù)（為交叉熵?fù)p失、代表預(yù)測(cè)值、代表真實(shí)值）：

???

?

? 以上都是預(yù)訓(xùn)練階段，接下來(lái)是tracking階段。

? 針對(duì)第一幀。

? 首先，使用高斯濾波和翻轉(zhuǎn)進(jìn)行數(shù)據(jù)增強(qiáng)，得到7個(gè)樣本（初始1+高斯濾波4+翻轉(zhuǎn)2）。

? 然后，使用這7個(gè)樣本對(duì)選擇的expert auto-encoder進(jìn)行微調(diào)，這里使用到了CF正交損失（代表的層數(shù)）：

???

???

? 代表使用compressed feature map中的第k個(gè)channel通過(guò)下式得到的估計(jì)權(quán)值：

???

? 上式中，即為該通道的向量值，為向量形式的響應(yīng)圖，為共軛，為預(yù)設(shè)的正則系數(shù)。戴帽子的原因是傅里葉變換。

? 微調(diào)后，刪除那些在target bbox外有很大的響應(yīng)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(lái)處理尺度變換。

? 當(dāng)出現(xiàn)“全遮擋”時(shí)，要進(jìn)行re-detection（使用上一幀的CF作為re-detection CF），若下式成立則視為發(fā)生“全遮擋”：

???

? 其中：

???

???

???

總結(jié)

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?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。