论文地址：http://openaccess.thecvf.com/...
摘要
大多数性能优越的视觉目标跟踪器很难有实时速度。在这篇文章中，我们提出了孪生候选区域生成网络（Siamese region proposal network），简称Siamese-RPN，它能够利用大尺度的图像对离线端到端训练。具体来讲，这个结构包含用于特征提取的孪生子网络（Siamese subnetwork）和候选区域生成网络（region proposal subnetwork），其中候选区域生成网络包含分类和回归两条支路。在跟踪阶段，我们提出的方法被构造成为单样本检测任务（one-shot detection task）。
我们预先计算孪生子网络中的模板支路，也就是第一帧，并且将它构造成一个检测支路中区域提取网络里面的一个卷积层，用于在线跟踪。得益于这些改良，传统的多尺度测试和在线微调可以被舍弃，这样做也大大提高了速度。Siamese-RPN跑出了160FPS的速度，并且在VOT2015,VOT2016和VOT2017上取得了领先的成绩。
1.引言
与适当设计的最先进的基于相关滤波器的方法相比，基于离线训练的基于深度学习的跟踪器可以获得较好的结果。关键是候选的孪生候选区域生成网络（Siamese-RPN）。它由模板分支和检测分支组成，它们以端到端的方式对大规模图像对进行离线训练。受到最先进的候选区域提取方法RPN 的启发，我们对相关feature map进行提议提取。与标准RPN不同，我们使用两个分支的相关特征映射进行提议提取。在跟踪任务中，我们没有预定义的类别，因此我们需要模板分支将目标的外观信息编码到RPN要素图中以区分前景和背景。
在跟踪阶段，作者将此任务视为单目标检测任务（one-shot detection），什么意思呢，就是把第一帧的bb视为检测的样例，在其余帧里面检测与它相似的目标。
综上所述，作者的贡献有以下三点：
1.提出了Siamese region proposal network，能够利用ILSVRC和YouTube-BB大量的数据进行离线端到端训练。
2.在跟踪阶段将跟踪任务构造出局部单目标检测任务。
3.在VOT2015, VOT2016和VOT2017上取得了领先的性能，并且速度能都达到160fps。
2.相关工作
2.1 RPN
RPN即Region Proposal Network，是用RON来选择感兴趣区域的，即proposal extraction。例如，如果一个区域的p>0.5，则认为这个区域中可能是80个类别中的某一类，具体是哪一类现在还不清楚。到此为止，网络只需要把这些可能含有物体的区域选取出来就可以了，这些被选取出来的区域又叫做ROI（Region of Interests），即感兴趣的区域。当然RPN同时也会在feature map上框定这些ROI感兴趣区域的大致位置，即输出Bounding Box。
RPN详细介绍：https://mp.weixin.qq.com/s/VX...
2.2 One-shot learning
最常见的例子就是人脸检测，只知道一张图片上的信息，用这些信息来匹配出要检测的图片，这就是单样本检测，也可以称之为一次学习。
3 Siamese-RPN framework
3.1 SiamFC
SiamFC详细介绍：https://mp.weixin.qq.com/s/kS...
所谓的Siamese（孪生）网络，是指网络的主体结构分上下两支，这两支像双胞胎一样，共享卷积层的权值。上面一支（z）称为模板分支（template），用来提取模板帧的特征。φ表示一种特征提取方法，文中提取的是深度特征，经过全卷积网络后得到一个6×6×128的feature map φ(z)。下面一支（x）称为检测分支（search），是根据上一帧的结果在当前帧上crop出的search region。同样提取了深度特征之后得到一个22×22×128的feature map φ(x)。模版支的feature map在当前帧的检测区域的feature map上做匹配操作，可以看成是φ(z)在φ(x)上滑动搜索，最后得到一个响应图，图上响应最大的点就是对应这一帧目标的位置。
Siamese网络的优点在于，把tracking任务做成了一个检测/匹配任务，整个tracking过程不需要更新网络，这使得算法的速度可以很快（FPS：80+）。此外，续作CFNet将特征提取和特征判别这两个任务做成了一个端到端的任务，第一次将深度网络和相关滤波结合在一起学习。
Siamese也有明显的缺陷：
1.模板支只在第一帧进行，这使得模版特征对目标的变化不是很适应，当目标发生较大变化时，来自第一帧的特征可能不足以表征目标的特征。至于为什么只在第一帧提取模版特征，我认为可能因为：
（1）第一帧的特征最可靠也最鲁棒，在tracking过程中无法确定哪一帧的结果可靠的情况下，只用第一帧特征足以得到不错的精度。
（2）只在第一帧提取模板特征的算法更精简，速度更快。
2.Siamese的方法只能得到目标的中心位置，但是得不到目标的尺寸，所以只能采取简单的多尺度加回归，这即增加了计算量，同时也不够精确。
网络训练原理
如图所示，上一帧的目标模板与下一帧的搜索区域可以构成很多对的模板-候选对（exemplar-candidate pair）， 但是根据判别式跟踪原理，仅仅下一帧的目标与上一帧的目标区域(即 exemplar of T frame-exemplar of T+1 frame）属于模型的正样本，其余大量的exemplar-candidate pair都是负样本。这样就完成了网络结构的端到端的训练。
3.2 Siamese-RPN
左边是孪生网络结构，上下支路的网络结构和参数完全相同，上面是输入第一帧的bounding box，靠此信息检测候选区域中的目标，即模板帧。下面是待检测帧，显然，待检测帧的搜索区域比模板帧的区域大。中间是RPN结构，又分为两部分，上部分是分类支路，模板帧和检测帧的经过孪生网络后的特征再经过一个卷积层，模板帧特征经过卷积层后变为2k×256通道，k是anchor数量，因为分为两类，所以是2k。下面是边界框回归支路，因为有四个量[x, y, w, h]，所以是4k右边是输出。
3.3 孪生特征提取子网络
预训练的AlexNet，剔除了conv2 conv4两层 。φ(z)是模板帧输出，φ(x)是检测帧输出
3.4 候选区域提取子网络
分类支路和回归支路分别对模板帧和检测帧的特征进行卷积运算：
$$ A^{cls}_{w×h×2k}=[\psi(x)]_{cls}×[\psi(z)]_{cls}\\ A^{reg}_{w×h×4k}=[\psi(x)]_{reg}×[\psi(z)]_{reg} $$
$A^{cls}_{w×h×2k}$包含2k个通道向量，中的每个点表示正负激励，通过交叉熵损失分类；$A^{reg}_{w×h×4k}$包含4k个通道向量，每个点表示anchor和gt之间的dx,dy,dw,dh，通过smooth L1 损失得到:
$$ \delta[0]=\frac{T_x-A_x}{A_w}， \delta[1]=\frac{T_y-A_y}{A_h}\\ \delta[2]=ln\frac{T_w}{A_w}， \delta[3]=ln\frac{T_h}{A_h} $$
Ax, Ay, Aw, Ah是anchor boxes中心点坐标和长宽； Tx, Ty, Tw, Th是gt boxes，为什么要这样呢，因为不同图片之间的尺寸存在差异，要对它们做正规化。
smoothL1损失：
$$ smooth_{L1}(x,\sigma)=\begin{cases} 0.5\sigma^2x^2, & \text |x|<\frac{1}{{\sigma^2}} \\ |x|-\frac{1}{{2\sigma^2}}, & \text |x|≥\frac{1}{{\sigma^2}} \end{cases} $$
3.5 训练阶段：端到端训练孪生RPN
因为跟踪中连续两帧的变化并不是很大，所以anchor只采用一种尺度，5种不同的长宽比（与RPN中的3×3个anchor不同）。当IoU大于0.6时是前景，小于0.3时是背景。
4. Tracking as one-shot detection
平均损失函数L：
$$ \min_{W'} \frac{1}{n} \sum_{i=1}^n L(\psi(x_i;w(z_i,W')),l_i) $$
如上所述，让z表示模板patch，x表示检测patch，函数φ表示Siamese特征提取子网，函数ζ表示区域建议子网，则一次性检测任务可以表示为：
$$ \min_{W} \frac{1}{n} \sum_{i=1}^n L(\zeta(\psi(x_i;W);\psi(z_i;W)),l_i) $$
如图，紫色的部分像原始的Siamese网络，经过同一个CNN之后得到了两个feature map，蓝色的部分是RPN。模板帧在RPN中经过卷积层，$ \phi (x)_{reg}$ 和 $ \phi (x)_{cls}$ 当作检测所用的核。
简单的说，就是预训练模版分支，利用第一帧的目标特征输出一系列weights，而这些weights，包含了目标的信息，作为检测分支RPN网络的参数去detect目标。这样做的好处是：
（1）模板支能学到一个encode了目标的特征，用这个特征去寻找目标，这会比直接用第一帧的feature map去做匹配更鲁棒。
（2）相比原始的Siamese网络，RPN网络可以直接回归出目标的坐标和尺寸，既精确，又不需要像multi-scale一样浪费时间。
经过网络后，我们将分类和回归特征映射表示为点集：
$$ A^{cls}_{w×h×2k}={(x_i^{cls},y_j^{cls},c_l^{cls})}\\ A^{reg}_{w×h×4k}={(x_i^{reg},y_i^{reg},dx_p^{reg},dy_p^{reg},dw_p^{reg},dh_p^{reg})}\\ i∈[0,w),j∈[0,h),l∈[0,2k),p∈[0,k) $$
由于分类特征图上的奇数通道代表正激活，我们收集所有$A^{cls}_{w×h×2k}$中的前K个点，其中l是奇数，并表示点集为：
$$ CLS^*={(x_i^{cls},y_j^{cls},c_l^{cls})_{i∈I,j∈J,l∈L}} $$
其中I，J，L是一些索引集。
变量i和j分别编码相应锚点的位置，l编码相应锚点的比率，因此我们可以导出相应的锚点集合为：
$$ ANC^*={(x_i^{an},y_j^{an},w_l^{an},h_l^{an})_{i∈I,j∈J,l∈L}} $$
此外，我们发现$A^{cls}_{w×h×2k}$上ANC*的激活得到相应的细化坐标为：
$$ FEG^*={(x_i^{reg},y_j^{reg},dx_l^{reg},dy_l^{reg},dw_l^{reg},dh_l^{reg})_{i∈I,j∈J,l∈L}} $$
因为是分类，$A^{cls}_{w×h×2k}$选前k个点，分两步选择：
第一步，舍弃掉距离中心太远的bb，只在一个比原始特征图小的固定正方形范围里选择，如下图：
中心距离为7，仔细看图可以看出，每个网格都有k个矩形。
第二步，用余弦窗（抑制距离过大的）和尺度变化惩罚（抑制尺度大变化）来对proposal进行排序，选最好的。具体公式可看论文。
用这些点对应的anchor box结合回归结果得出bounding box：
$$ x_i^{pro}=x_i^{an}+dx_l^{reg}*w_l^{an}\\ y_j^{pro}=y_j^{an}+dy_l^{reg}*h_l^{an}\\ w_l^{pro}=w_l^{an}*e^{dw_l}\\ h_l^{pro}=h_l^{an}*e^{dh_l} $$
an就是anchor的框，pro是最终得出的回归后的边界框 至此，proposals set就选好了。
然后再通过非极大抑制(NMS)，顾名思义，就是将不是极大的框都去除掉，由于anchor一般是有重叠的overlap，因此，相同object的proposals也存在重叠。为了解决重叠proposal问题，采用NMS算法处理：两个proposal间IoU大于预设阈值，则丢弃score较低的proposal。
IoU阈值的预设需要谨慎处理，如果IoU值太小，可能丢失objects的一些 proposals；如果IoU值过大，可能会导致objects出现很多proposals。IoU典型值为0.6。
5.实施细节
我们使用从ImageNet [28]预训练的改进的AlexNet，前三个卷积层的参数固定，只调整Siamese-RPN中的最后两个卷积层。这些参数是通过使用SGD优化等式5中的损耗函数而获得的。共执行了50个epoch，log space的学习率从10-2降低到10-6。我们从VID和Youtube-BB中提取图像对，通过选择间隔小于100的帧并执行进一步的裁剪程序。如果目标边界框的大小表示为（w，h），我们以大小A×A为中心裁剪模板补丁，其定义如下：
$$ (w+p)×(h+p)=A^2 $$
其中p =(w + h)/2
之后将其调整为127×127。以相同的方式在当前帧上裁剪检测补丁，其大小是模板补丁的两倍，然后调整为255×255。
在推理阶段，由于我们将在线跟踪制定为一次性检测任务，因此没有在线适应。我们的实验是在带有Intel i7,12G RAM，NVidia GTX 1060的PC上使用PyTorch实现的。
学习更多编程知识，请关注我的公众号：
