SiameseBAN

• 論文來源
• 論文背景
• • 主要貢獻
• 論文分析
• • 網絡框架
  • 創新點一：Box Adaptive Head
  • 創新點二：Ground-truth
  • 創新點三：Anchor Free
• 論文流程
• • 訓練部分：
  • 跟蹤部分
• 論文翻譯
• • Abstract
  • 1. Introduction
  • 2. Related Works
  • 2.1. Siamese Network Based Visual Trackers
  • 2.2. Anchor-free Object Detectors
  • 3. SiamBAN Framework
  • 3.1. Siamese Network Backbone
  • 3.2. Box Adaptive Head
  • 3.3. Multi-level Prediction
  • 3.4. Ground-truth and Loss
  • 3.5. Training and Inference
  • 4. Experiments
  • 4.1. Implementation Details
  • 4.2. Comparison with State-of-the-art Trackers
  • 4.3. Ablation Study
  • 5. Conclusions

論文來源

論文來源：http://xxx.itp.ac.cn/pdf/2003.06761v2.pdf
開源項目：https://github.com/hqucv/siamban

參考文獻：
SiamBAN詳細分析，一看就懂！
[閱讀筆記][CVPR2020][SiamBAN] Siamese Box Adaptive Network for Visua

論文背景

SiamBAN是今年CVPR中效果最好的跟蹤器之一，研究它的原理更加能夠很好的幫助我們掌握目前跟蹤器發展的趨勢。
SIamBAN，按照意思分析是孿生自適應框?！皩\生”，說明該跟蹤使用了Siamese網絡架構；而“自適應框”，則是該跟蹤器采用了anchor-free的策略，不預先設定anchor框的尺寸，使得框擁有更大強大的自由度。
通過分析論文和代碼，我認為SiamBAN就是一個優化版的SiamRPN++，最大的創新點在于anchor-free的引用，去掉了預定義的anchor，從而使得模型整體的參數下降，使得速度得到進一步的提升。
對于SiamBAN的原理分析，我準備采用三個方面：網絡框架、訓練、跟蹤。

主要貢獻

新的框架：SiamBAN，實現使用深度卷積神經網絡的end-to-end的離線訓練

anchor-free的架構，no-prior box的設計避免了與候選框相關的超參數，使跟蹤器更加靈活和通用。

不僅達到了最先進的效果，并且在多個數據集達到40FPS（VOT2018，VOT2019，OTB100，NFS，UAV123，和 LaSOT）。

論文分析

網絡框架

與SIamRPN++相似，或者說網絡框架基本相同。不過不同點在于SiamBAN中引入了空洞卷積的原理，經過實驗證明，空洞卷積能夠增大感受野，提升跟蹤性能。
SIamBAN的網絡框架如下圖所示：

創新點一：Box Adaptive Head

對于每一個分類圖P cls w×h×2或回歸圖P reg w×h×4上的每個位置，我們可以將其映射到輸入搜索patch。例如，與搜索片上的位置相對應的位置（i，j）為[?wim2?+（i-?w 2?）×s，他2?+（j?h 2?）× s]（表示為（pi，pj）。wim和他代表輸入搜索補丁的寬度和高度，s代表網絡的總跨度），它是位置（i，j ）。對于回歸，基于錨的跟蹤器[21、52、20]將位置（pi，pj）作為錨框的中心，然后回歸位置（pi，pj），寬度aw和高度ah。也就是說，對于位置（i，j），回歸可以調整其所有偏移值，但是分類仍然在原始位置執行，這可能導致分類和回歸中的不一致性。因此，我們不調整位置（pi，pj），僅計算其到邊界框的偏移值。另外，由于我們的回歸目標是正實數，因此我們在回歸模塊的最后一級應用exp（x）將任何實數映射到（0，+∞）。

大概的理解是anchor-base的方法中對于特征圖上的每一個位置(i,j)，將其映射到搜索patch上為(pi,pj)，回歸分支中將這個位置作為anchor的中心去預測偏移量，這時候回歸出來的結果已經改變了其中心位置，而分類分支依然在原始的中心位置進行，可能會導致分類和回歸的不一致。

創新點二：Ground-truth

如果位置（pi，pj）落在橢圓E2內，則用正號標記，如果它落在橢圓E1以外，則為其分配負號，并且落在橢圓之間。 E2和E1，請忽略它。

創新點三：Anchor Free

論文流程

訓練部分：

將搜索補丁和模板補丁輸入對應的網絡分支，在第4、5個卷積模塊中添加空洞卷積，膨脹因子分別設置為2和4。

分別取出搜索分支和模板分支中第3、4、5卷積模塊的卷積結果。為了減少計算量，作者只選取了模板分支卷積結果的7 × 7 區域。因為當輸入補丁的尺寸為127 × 127，輸出的特征圖的尺寸為15 × 15,這時候選取[4:11]的區域，完全可以代表模板中選定的物體。

將相對應的卷積結果進行互相關操作。比如，搜索分支第3卷積模塊的卷積結果應該與模板分支第3卷積模塊的卷積結果進行互相關，其中模板分支的卷積結果作為卷積核。那么，最后獲得了三份互相關的特征圖。

將這三份互相關特征圖合并為一張。SiamBAN在代碼中使用的方法是取平均，即一個位置的三個值相加除以三。最后得到了一份互相關特征圖。

實際上，當運行到第4步的時候，就可以發現其實網絡運行就可以結束了。但是作者為了能夠減少計算量， 將互相關圖的維度減少到256.（neck）

跟蹤部分

輸入跟蹤視頻

劃定需要跟蹤的目標

跟蹤器初始化（第一幀的處理）

截取模板補丁（方法與SiamRPN相同）

將模板補丁輸入網絡，得到第3、4、5層的卷積結果，并且對卷積結果進行處理（降維和模板特征圖截取7x7區域）

進行跟蹤

截取搜索補丁（方法與SiamRPN相同）

將搜索補丁輸入網絡，得到第3、4、5層的卷積結果

與模板補丁的三個卷積結果進行相關卷積，并且將得到的三個互相關特征圖進行加權平均，得到分類特征圖和偏差坐標圖。

利用上述公式（回歸訓練中），將得到的偏差坐標圖轉換成多個預測框

施加平移懲罰和尺度懲罰，從多個預測框中獲得最佳跟蹤框，從而實現跟蹤。

論文翻譯

Abstract

1. Introduction

2. Related Works

2.1. Siamese Network Based Visual Trackers

2.2. Anchor-free Object Detectors

3. SiamBAN Framework

3.1. Siamese Network Backbone

3.2. Box Adaptive Head

3.3. Multi-level Prediction

3.4. Ground-truth and Loss

3.5. Training and Inference

4. Experiments

4.1. Implementation Details

4.2. Comparison with State-of-the-art Trackers

4.3. Ablation Study

5. Conclusions

總結

以上是生活随笔為你收集整理的SiamBAN论文学习的全部內容，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。