? 理解出錯之處望不吝指正。

? 本文模型叫做DSLT，將跟蹤任務視為回歸問題去解決。主要貢獻包括：①.提出一種收縮損失函數，降低背景信息中的那些簡單負樣本對損失函數的貢獻；②.使用殘差連接，融合多個卷積層和特征圖。具體的網絡結構如下圖所示：

? 在上圖中，紅色虛線左側是特征提取層，文中采用的是VGG-16。右側是回歸網絡，使用第一幀進行訓練，并逐幀更新。

?

• 收縮損失函數

? 傳統的回歸跟蹤問題可視為下式所示的優化問題：

???

? 其中代表卷積操作，代表卷積的權重，是使用高斯函數生成的樣本的軟標簽。將其寫成損失函數的形式如下：

???

???

? 觀察上圖我們可以看出，對于一個輸入的patch，輸出的響應圖和軟標簽中，其實背景信息的差別并不大，但是由于這種簡單的背景信息（負樣本）較多，導致對于整張圖的損失函數來說，簡單負樣本的貢獻較大，這就是文中所說的數據不平衡問題。

? 我們使用表示每次迭代得到的響應圖，代表響應圖中的一個位置的值（區間[0,1]中的一個值），代表該位置的標簽（1或者0），可以定義“不相似度”為，寫成均方誤差形式，可定義損失函數：

???

? 最近有一篇文獻中指出，在損失函數中增加一個調節項可以減輕數據不平衡的問題。構造出如下所示的損失函數：

???

? 為啥上式可以減輕數據不平衡問題？說說個人理解，不知道對不對。比如現在有兩個位置，，（我們將視為簡單樣本，視為困難樣本），使用損失時，前者的損失是0.09，后者的損失是0.64。若使用損失，前者的損失是0.027，后者的損失是0.512。而我們可以算出0.64/0.09大約為7.1，0.512/0.027約為19。這樣，從比例上看，使用損失時，簡單負樣本的貢獻程度變得較小。

? 為了簡便，文中使用的情況舉例。作者的意思是，我們使用損失，既使簡單樣本的損失變小了，但同時也使困難樣本的損失變小了，這樣不好。于是，作者提出了一個函數來代替，形如下式：

???

? 式中和分別是超參數，而這個函數繪制出來如下圖所示：

???

? 我們可以看出，當的時候，函數的輸出接近1，而的時候，函數的輸出小于1。這樣就可以只對簡單樣本添加懲罰，使其損失變小，而對困難樣本不造成影響。于是，損失函數就變成了：

???

? 使用其重寫損失函數：

???

? 文中設置。

? 作者說，這個損失函數可以提高跟蹤效果，加速訓練，加快收斂。

?

• 殘差連接

? 文中說，ECO是基于多個卷積層獨立學習了一個CF，CREST是基于一個單獨的卷積層學習一個基礎的殘差連接網絡，而本文的模型先使用殘差連接融合多個卷積層，然后再進行回歸學習。作者說，本文的模型對不同層級的語義信息進行了充分的利用，而不是像ECO和CREST僅僅用于響應圖的融合。

?

• 實驗

? OTB

? Temple Color 128

? VOT2016

? 不同的損失函數

總結

以上是生活随笔為你收集整理的ECCV 2018 DSLT:《Deep Regression Tracking with Shrinkage Loss》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。