? 理解出錯(cuò)之處望不吝指正。

? 本文模型叫做UCT。就像論文題目一樣，作者提出了一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的end2end的tracking模型。模型的整體結(jié)構(gòu)如下圖所示（圖中實(shí)線代表online tracking過(guò)程，虛線框內(nèi)和虛線表示離線訓(xùn)練過(guò)程和在第一幀進(jìn)行訓(xùn)練）：

???

? 模型的目的是從樣本中學(xué)習(xí)出一系列convolution filter ，則在樣本上進(jìn)行卷積得到的卷積response為（其中代表channel數(shù)）：

???

? 則損失函數(shù)可以寫(xiě)為：

???

? 在測(cè)試階段，可以看作：

???

?

• ? 作者把模型的訓(xùn)練過(guò)程分為兩部分：

? （1）.off-line training

??? 這部分訓(xùn)練即為在訓(xùn)練集上最小化損失函數(shù)，不同的是，由于最后一幀中的目標(biāo)位置經(jīng)常不在cropped patch的中心，所以作者將train patch cropped with jittering（抖動(dòng)）。

? （2）.traing on first frame

??? 這部分訓(xùn)練的目的是使模型適應(yīng)于跟蹤特定的目標(biāo)。在訓(xùn)練時(shí)，虛線框內(nèi)的權(quán)值使用均值為0的高斯分布進(jìn)行隨機(jī)初始化，然后使用SGD進(jìn)行訓(xùn)練。

?

• ? Online Tracking的過(guò)程主要包括以下兩部分：

? （1）.Model update

??? 作者認(rèn)為在每一幀或者固定間隔幀進(jìn)行更新是不合理的，于是作者提出了一個(gè)定義，PNR（peak-versus-noise ratio）：

?????

??? 這里分母表示對(duì)response map中除去峰值的地方求均值。

??? 當(dāng)以下兩個(gè)閾值都被滿足的時(shí)候，才進(jìn)行模型的更新。

?????

? （2）.Scale estimation

??? 這部分作者使用了DSST中一樣的尺度估計(jì)方法，下面回顧一下。

?????

??? ①.在第一幀中以目標(biāo)正中間為中心，截取S張不同尺度的圖像，每張圖像提取一個(gè)d維的特征向量，得到S*d的特征矩陣；

??? ②.構(gòu)造相關(guān)圖g，大小為S*1，中間值最大，向兩端遞減；

??? ③.計(jì)算出尺度濾波模板h；

??? ④.對(duì)于當(dāng)前幀，選取S張不同尺度的圖像，和位置估計(jì)一樣，計(jì)算出當(dāng)前幀的相關(guān)圖g，響應(yīng)最大值對(duì)應(yīng)的尺度即為估計(jì)的尺度。

總結(jié)

以上是生活随笔為你收集整理的ICCV 2017 UCT:《UCT: Learning Unified Convolutional Networks forReal-time 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。