目錄

• 模型概況
• 實驗結果

? ? ? ?理解出錯之處望不吝指正。
? ? ? ?文章鏈接

模型概況

? ? ? ?模型結構如下圖所示：

? ? ? ?本模型與SiamFC的區別在于：提出了一種不同于SiamFC的損失函數。
? ? ? ?在SiamFC中的損失函數如下：
$$L_l(Y,V)=\sum _{x_i\in X}{w}_{i}log(1+e^{?y_i?v_i})$$
? ? ? ?作者說，這個損失函數不夠好，因為它只考慮了每個instance（啥是instance？比如模板經過特征提取后得到6×6的特征圖$f_e$，搜索區域經過特征提取后得到22×22的特征圖$f_s$，我們使用6×6的特征圖當做卷積核在22×22的特征圖上進行卷積得到17×17的分數矩陣，則在卷積的過程中$f_s$中的每一個6×6區域在原圖上的對應區域就是一個instance，而對應“+1”標簽的稱為positive instance，“-1”標簽的稱為negative instance）是否足夠正確，而忽略了positive instance和negative instance之間的關系。
? ? ? ?文中提出使用下式的損失函數：
$$L_t(V_p,V_n)=?1/(MN)\sum _i^M\sum _j^{N}logprob(v{p}_i,v{n}_j)$$
$$prob(v{p}_i,v{n}_j)=e^{v{p}_i}/(e^{v{p}_i}+e^{v{n}_j})$$
? ? ? ?作者還通過梯度計算公式對比了兩種損失函數（以下為兩種損失函數的梯度中不同的部分，并不是全部的梯度公式）：
$$\frac{?T_l}{?vp}=?\frac{1}{2(1+e^{vp})},\frac{?T_l}{?vn}=\frac{1}{2(1+e^{?vn})}$$
$$\frac{?T_t}{?vp}=?\frac{1}{1+e^{vp?vn}},\frac{?T_t}{?vn}=\frac{1}{1+e^{vp?vn}}$$
? ? ? ?從中我們可以看出本文中的損失函數在計算positive instance和negative instance的梯度時，都能考慮到兩種不同的instance的聯系，這樣利于得到更好的跟蹤模型。

實驗結果

? ? ? ?文章的訓練數據集采用ILSVRC2015，實驗結果如下所示。
? ? ? ?1.OTB-2013

? ? ? ?2.OTB-其他
? ? ? ?3.VOT-2017

總結

以上是生活随笔為你收集整理的ECCV 2018 《Triplet Loss in Siamese Network for 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。