目錄

• 簡介
• 動機(jī)
• 貢獻(xiàn)
• 方法
• 實驗

理解出錯之處忘不吝指正。

簡介

本文出自中科院自動化所，模式識別國重。
文章鏈接
代碼鏈接

動機(jī)

使用Siamese結(jié)構(gòu)做目標(biāo)跟蹤一直存在一個問題，即：當(dāng)目標(biāo)被遮擋、形變或其他原因，導(dǎo)致跟丟后，無法重新跟蹤。作者認(rèn)為，傳統(tǒng)的SiamTrackers沒有考慮時空連貫性。

貢獻(xiàn)

本文是第一個在Siamese結(jié)構(gòu)下使用圖卷積做目標(biāo)跟蹤的方法，模型可以端到端的訓(xùn)練。

作者在Siamese網(wǎng)絡(luò)中設(shè)計了ST-GCN和CT-GCN結(jié)構(gòu)，前者可以對目標(biāo)的時空信息進(jìn)行建模，后者可以利用當(dāng)前幀的上下文對特征進(jìn)行自適應(yīng)。

實驗結(jié)果展示了本文方法的有效性，且可以做到實時。

方法

本文方法的整體結(jié)構(gòu)如下圖所示。可以看出，與傳統(tǒng)的SiamTrackers不同的是，上分支中使用ST-GCN對目標(biāo)的時空信息進(jìn)行了建模，得到ST-Feature。對于當(dāng)前跟蹤幀，得到上下文特征Context Feature，使用CT-GCN得到自適應(yīng)特征Adaptive Feature。最后，經(jīng)過XCorr得到響應(yīng)圖。

ST-GCN和CT-GCN是本文的核心，前者負(fù)責(zé)編碼目標(biāo)的時空特征，后者根據(jù)目標(biāo)狀態(tài)對特征進(jìn)行自適應(yīng)，二者的網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示。

實驗

在OTB-2013數(shù)據(jù)集上做的消融實驗：

在OTB數(shù)據(jù)集上的實驗結(jié)果：


在VOT2017上的實驗結(jié)果：

在VOT2017 real-time上的實驗結(jié)果：

在UAV123上的實驗結(jié)果：

從實驗結(jié)果可以看出，其實本文方法在精度上達(dá)不到SOTA，這可能因為本文方法是基于SiamFC實現(xiàn)的，畢竟是2016年的論文，能夠在現(xiàn)在和SOTA一戰(zhàn)已經(jīng)很不錯了。另一點，本文是第一篇使用GCN的tracker，具有借鑒意義。

總結(jié)

以上是生活随笔為你收集整理的CVPR 2019 GCT:《Graph Convolutional Tracking》论文笔记的全部內(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，歡迎將生活随笔推薦給好友。