SiamRPN---High Performance Visual Tracking with Siamese Region Proposal Network

1. Introduction

• 目前的跟踪器可以分为两大类：
  1.第一类是基于相关滤波：通过利用循环特性在傅里叶域训练一个回归器，能够在线跟踪并更新滤波器参数。近来一些相关滤波算法通过使用深度特征来提高精度，但在滤波器更新是严重降低了速度。
  2.另一类方法是使用非常强大的深度特征，此类方法不更新模型，所以性能没有相关滤波好。
• 本文提出的SiamRPN是离线训练好的基于深度特征的跟踪器，并取得了比目前最先进相关滤波方法更优的性能。SiamRPN由模板分支和检测分支组成，用端到端的方法在大规模的图像对上进行离线训练。不同于标准的RPN，本文使用两个分支的相关特征图来提取候选区域。由于跟踪任务不区分类别，所以作者将模板分支上的目标外观信息编码到RPN特征中来判别前景和背景。
• 贡献可总结为以下三点：
  1.提出了孪生区域建议网络，能够利用ILSVRC和Youtube-BB大量的数据进行离线端到端训练。
  2.在线跟踪时，将proposed framwork视为单目标的检测任务，这使得可以不用高耗时的多尺度测试就能精确的候选区域。
  3.在VOT2015, VOT2016 and VOT2017的实时比赛中达到了最优性能，并且可达到160FPS，同时具有精度的效率的优势。

2. Related Works

2.1 RPN in detection

• RPN是在Faster R-CNN提出来的，后来Faster R-CNN的变种如FPN利用特征金字塔来提高小目标检测的性能。

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

• Siamese-RPN由提取特征的Siamese子网络和区域生成的候选区域子网络组成。
  

3.1 Siamese feature extraction subnetwork

• 网络基于AlexNet
• 该子网络由模板分支和检测分支组成：模板分支将历史帧的目标块作为输入，用 $z$ 表示；检测分支用当前帧的目标块作为输入，用 $x$ 表示。两个网络共享CNN参数，用 $\varphi(z)$ 和 $\varphi(x)$ 表示网络输出。

3.2 Region proposal subnetwork

• 该子网络由分类分支和回归分支组成，分类分支输出有 $2k$ 个channels（前景和背景），回归分支有 $4k$ 个channels（ $x,y,w,h$），其中 $k$ 表示anchors，即每个位置预测框的个数。
• 分类分支使用cross-entropy损失，回归分支使用Faster R-CNN中的smooth $L1$ 损失。

3.3 Training phase:End-to-end train Siamese-RPN

• sample pairs：从ILSVRC随机间隔帧和Youtube-BB连续帧提取
• Siamese子网络首先在ImageNet上进行预训练，然后用SGD对Siamese-RPN进行端到端训练
• 由于在跟踪任务中相邻帧间的变化不会太大，所以选用的anchors个数比检测任务要少。只选用了一个尺度的5种不同宽高比 $[0.33,0.5,1,2,3]$
• 正样本：IOU $>0.6$，负样本：IOU $<0.3$
• 对每个样本对限制最多16个正样本和总共64个样本

4. Tracking as one-shot detection

4.1 Formulation

• 平均损失 $\mathcal L$ $\underset{W}{min}=\frac{1}{n}\sum^n_{i=1}\mathcal L(\zeta(\varphi(x_i;W);\varphi(z_i;W)),\ell_i)\tag{1}$ 1. $W$ 训练的网络权重
  2. $\varphi$ 表示Siamese子网络
  3. $\mathcal L$ 表示 RPN子网络
  4. $n$ 表示样本对数
  5. $\ell_i$表示样本标签

4.2 Inference phase：Perform one-shot detection

• 模板分支在初始帧得到的输出作为检测分支的卷积核，然后在整个跟踪过程中固定不变。
  

4.3 Proposal selection

• 直接丢弃距中心太远的BB，如下图所示，丢弃大于7的BB
  
• 用余弦窗和尺度变化惩罚来对proposal进行排序，选最好的。余弦窗是为了抑制距离过大的，尺度惩罚是为了抑制尺度大的变化。
• 非极大值抑制（NMS）

5. Experiments

5.1 Implementation details

5.2 Result on VOT2015

5.2 Result on VOT2016

5.4 Result on VOT2017

6. 与baseline–SiamFC对比

• 视觉跟踪领域主流的实时跟踪方法是以SiameseFC为代表的孪生网络结构，Siamese FC网络非常简单，通过相同的网络提取出图像的特征，通过类似卷积的相关操作方法，可以快速的实现模板与搜索区域中的17x17个小图像进行比对，输出的17x17的响应图，相当于每个位置和模板帧的相似度。但SiameseFC有以下缺陷：首先由于没有回归，网络无法预测尺度上的变化，所以只能通过多尺度测试来预测尺度的变化，这里会降低速度。其次，输出的相应图的分辨率比较低，为了得到更高精度的位置，Siamese FC采用插值的方法，把分辨率放大16倍，达到与输入尺寸相近的大小。
• SiameseRPN通过引入物体检测领域的区域推荐网络（RPN），通过网络回归避免多尺度测试，一方面提升了速度，另一方面可以得到更为精准的目标框，更进一步，通过RPN的回归可以直接得到更精确地目标位置，不需要通过插值得到最终的结果。在训练过程中，我们引入了大规模的视频数据集Youtube-BB进行训练，相比较SiameseFC使用的VID数据集，Youtube-BB在视频数量上有大约50倍的提升，这保证了网络能够得到更为充分的训练。

7. 参考

https://blog.csdn.net/fzp95/article/details/80982201