目錄

• 簡(jiǎn)介
• 動(dòng)機(jī)
• 貢獻(xiàn)
• 方法
• 實(shí)驗(yàn)

理解出錯(cuò)之處忘不吝指正。

簡(jiǎn)介

本文是MD在ECO系列之后的新paper，CVPR2019的oral，文章質(zhì)量很高。
文章鏈接
代碼鏈接

動(dòng)機(jī)

目前，目標(biāo)跟蹤領(lǐng)域的研究重點(diǎn)集中于分類準(zhǔn)確度，這導(dǎo)致目標(biāo)分類效果好的模型，目標(biāo)估計(jì)（target state estimation）低于預(yù)期，相反一些以前的模型能夠獲得更好的目標(biāo)估計(jì)效果，但這些模型的目標(biāo)分類效果差。

貢獻(xiàn)

本文提出了一種新穎的跟蹤架構(gòu)，由目標(biāo)估計(jì)和目標(biāo)分類兩部分組成。

在目標(biāo)估計(jì)網(wǎng)絡(luò)部分引入了IoU-Net（出自ECCV2018），使損失更加合理。

目標(biāo)分類網(wǎng)絡(luò)使用深度回歸網(wǎng)絡(luò)，由兩個(gè)全卷積層組成，并提出新的專用在線訓(xùn)練的優(yōu)化算法。

在新的大型TrackingNet數(shù)據(jù)集上，ATOM相對(duì)于之前的最佳方法實(shí)現(xiàn)了15％的相對(duì)增益，同時(shí)運(yùn)行速度超過30 FPS。

方法

本文方法的整體架構(gòu)如下圖所示，其實(shí)較為主要的是兩部分，藍(lán)色的IoU Modulation+藍(lán)色的IoU Predictor可以統(tǒng)稱為目標(biāo)估計(jì)網(wǎng)絡(luò)，綠色的Classifier即為目標(biāo)分類網(wǎng)絡(luò)。

目標(biāo)估計(jì)網(wǎng)絡(luò)用于輸出當(dāng)前幀的bbox的IoU，使用IoU-Net+Siamese架構(gòu)得到，具體的如下圖所示。其中，PrPool是IoU-Net中提出的，如下下圖所示。文中提到，直接使用Siamese的架構(gòu)無法得到很好的效果，作者提出了基于調(diào)制（Modulation）的方法。關(guān)于這里的“調(diào)制”，我的個(gè)人理解是，由于直接使用Siamese架構(gòu)不能得到很好的結(jié)果，我們可以將Reference Branch的特征進(jìn)行一下變化，使其能夠“適應(yīng)”Test Branch的“信道”。


由于目標(biāo)估計(jì)網(wǎng)格的判別能力不足，故引入目標(biāo)分類網(wǎng)絡(luò)。這部分本文使用了兩層卷積，直接回歸出以目標(biāo)為中心的高斯label，且使用online training實(shí)現(xiàn)target-specific。但是使用梯度下降法收斂速度過慢，作者將問題轉(zhuǎn)化為了高斯-牛頓最優(yōu)化問題，可以使用共軛梯度法解決。具體步驟如下：

可以看下，本文的online training方法和梯度下降的比較。

具體的跟蹤流程為：

• 使用目標(biāo)分類網(wǎng)絡(luò)計(jì)算置信度，置信度最高的位置記為$(x,y)$，使用$(x,y)$+上一幀目標(biāo)的$w$和$h$作為初始跟蹤結(jié)果$B$。
• 基于$B$生成10個(gè)候選bbox，利用目標(biāo)估計(jì)網(wǎng)絡(luò)計(jì)算它們的IoU，取前三個(gè)作為候選結(jié)果。
• 將三個(gè)候選結(jié)果取均值，得到最終跟蹤結(jié)果。

實(shí)驗(yàn)

首先是消融實(shí)驗(yàn)，Multi-Scale代表多尺度搜索方法；No Classif.代表無在線目標(biāo)分類分支；GD是梯度下降，和本文優(yōu)化方法的“反向傳播”調(diào)用次數(shù)相同，即運(yùn)算速度相同，同時(shí)GD的學(xué)習(xí)率和動(dòng)量參數(shù)經(jīng)過精心調(diào)整；GD++是5倍運(yùn)算量版的梯度下降；No HN代表沒有難負(fù)樣本。

接下來，是在NFS和UAV123數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果：

在TrackingNet數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果：

在LaSOT數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果：

在VOT2018上的實(shí)驗(yàn)結(jié)果：

總結(jié)

以上是生活随笔為你收集整理的CVPR 2019 ATOM:《ATOM: Accurate Tracking by Overlap Maximization》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題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。