?

RATM: RECURRENT ATTENTIVE TRACKING MODEL

　　ICLR 2016

?

?

　　本文主要內容是 結合 RNN 和 attention model 用來做目標跟蹤。

　　其中模型的組成主要是：

　　1. an attention model 主要用來從輸入圖像中提取 patch；

　　2. RNN 用來預測 attention 參數，即：下一幀應該 look 的問題。

?

?

　　Paper:?http://xueshu.baidu.com/s?wd=RATM%3A+RECURRENT+ATTENTIVE+TRACKING+MODEL&rsv_bp=0&tn=SE_baiduxueshu_c1gjeupa&rsv_spt=3&ie=utf-8&f=8&rsv_sug2=1&sc_f_para=sc_tasktype%3D%7BfirstSimpleSearch%7D&rsv_n=2

?

　　Code:?https://github.com/wangxiao5791509/RATM

?

?

　　本文所使用的框架流程圖如下所示：

　　

---

?

　　1. Attention?

　　本文提到， attention model 非常適合跟蹤問題，因為他可以通過目標的歷史軌跡來縮小 region-of-interst 的區域。

　　原本的 attention model 從輸入圖像中產生 glimpse（一瞥），是通過一個叫做 a grid of 2D Gaussian filters,順序的執行一系列的 row filter 和 column filter。該 grid 擁有 4個參數，即：

　　the grid center $g_X, g_Y$，the isotropic standard deviation, and the stride between grid points.

　　對于在 attention patch中的行 i，列 j，平均距離 $\mu_X^i, \mu_Y^j$ 通過下式進行計算：

　　動態產生的參數 作為一個向量 h 的線性轉換：

　　然后對參數進行歸一化：

　　其中 A 和 B 分別是輸入圖像的寬和高。

　　濾波器通過下面的公式計算得到提取的 patch，即：

　　在上式中， a 和 b 代表輸入圖像的列和行的索引。通過這兩個公式就可以得到一個 N*N 的 patch p：

　　

　　

---

?

?

?　　2. RNN

　　一個最簡單的 RNN 包括一個輸入，一個 hidden，一個 輸出層。在時間步驟 t，該網絡，基于輸入幀 $x_t$ 和 之前的 hidden state $h_{t-1}$，計算新的 hidden state：

　　本文對 RNN 并未做過多介紹，因為創新點也不在于此，只是說是基于 Theano 框架做的實驗。

?

?

---

?

　　3. Recurrent Attentive Tracking Model：

　　跟蹤問題主要是將一系列的輸入視頻幀 $X = (x_1, x_2, ... , x_T)$ 映射成 一系列的位置 $Y = (y_1, y_2, ... , y_T)$。那么在一個時刻 t 的位置預測 $y_t$，那么其軌跡通常具有非常高的相關內容信息，并且非常適合用 一個隱層狀態模型（a hidden state model）來對這個軌跡進行表示。所提出的 RNN 就是結合了 attention model 和 RNN 的優勢，并且區別于普通的神經網絡。

　　每一個時間步驟，RNN的 hidden state vector $h_t$ 通過公式2，3 映射成 window parameters。然后在下一個時刻，由 attention model 輸出的image patch 作為 RNN 的輸入。并非直接將 原始圖像輸入給 RNN,而是用預先訓練的 CNN model 提出其feature 傳給 RNN。具體結構見下圖：

　　

　　

?

?

---

　　實驗：

　　

　　

?

?

總結

以上是生活随笔為你收集整理的论文笔记之：RATM: RECURRENT ATTENTIVE TRACKING MODEL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。