? 理解出錯之處望不吝指正。

? 本文模型叫做DaSiamRPN。本文首先分析了已有的孿生網絡方法中的特征和缺點，如下圖所示：

? 如上圖所示，是幾種孿生模型對ROI提取出的特征圖。論文中提到，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，如地板、天空等）占據了主要部分，語義背景（背景中的人、狗等實體，我是這么理解的）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。為了處理這個問題，作者在訓練集中添加了三類樣本對，提高模型的學習效果。

• ? 添加了三類樣本對

? 首先，是使用檢測數據集中樣本對。如上圖中（a）。

? 作者認為，使用ILSVRC和Youtube-BB檢測數據集，數據量還是太少，且數據集中的類別較少，不利于模型學習到泛化能力。作者提出使用ImageNet Detection和COCO數據集，通過一些數據增強技術（后文中提到包括平移、縮放、灰度變換、運動模糊等）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。如上圖中（b）。最后，使用來自不同類別的負樣本對。如上圖中（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。

?

• ? 提出了一種增量學習方法

? 傳統的詳細學習在進行相似度計算時，使用下式：

???

? 本文中提出了一種新的選擇最優bbox的標準，如下式（用csdn的公式編輯器沒打出來argmax，有會的大佬教教我，哭...）：

???

? 從上式中我們可以看出，其實就是當前位置和模板計算相似度之后，減去當前位置與search region中其他位置的相似度的加權和。

? 由于交叉相關（互相關）操作是一個線性操作，我們可以使用這個特性對計算進行加速，如下式：

???

? 再考慮結合律，我們可以將式子改為如下所示的增量學習公式，式中是學習率。

???

?

• ? 將DaSiamRPN用于Long-term跟蹤

? 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）：

? 至于如何判斷模型何時跟蹤失敗，論文中提到“Since the distractor-aware training and inference enable highquality detection score, it can be adopted to indicate the quality of tracking results.”

?

• ? 模型的實驗結果

? VOT：

? UVA：

? 提出的方法帶來的效果改進：

?

?

?

?

總結

以上是生活随笔為你收集整理的ECCV 2018 DaSiamRPN:《Distractor-aware Siamese Networks for Visual Object 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。