單目標跟蹤paper小綜述
點擊左上方藍字關注我們
為了方便自己梳理脈絡同時和大家交流討論，將一些重要的paper整理在這。首先用一張圖羅列下本文涉及到的paper：
一. 關于單目標跟蹤
本人不了解傳統(tǒng)的相關濾波法，所有想法總結僅僅建立在深度學習的基礎上。對于單目標跟蹤而言一般的解釋都是在第一幀給出待跟蹤的目標，在后續(xù)幀中，tracker能夠自動找到目標并用bbox標出。關于SOT(single object track)，有兩條思路。第一種，我們可以把跟蹤粗暴地當做一個配對問題，即把第一幀的目標當做模板，去匹配其他幀。基于這種思路，網(wǎng)絡并不需要“理解”目標，只需當新的一幀圖像來到時，拿著模板“連連看”找相同就可；siam系列實質上就是這個思路，每次兩個輸入，模板和新圖片，然后通過網(wǎng)絡在新圖片上找和模板最相似的東西，所以這條思路的關鍵在于如何配得準。另一種思路是通過第一幀給出的目標“理解”目標，在后續(xù)幀中，不需要再輸入模板，即只有一個輸入，網(wǎng)絡可以根據(jù)自己理解的模板，在新圖片中預測出目標，所以這條思路的關鍵在于如何讓網(wǎng)路僅僅看一眼目標(第一幀)就能向目標檢測那樣，“理解”目標，這就涉及到單樣本學習問題，也是檢測和跟蹤的gap。
二. SiamFC
目前基于siamese系列的網(wǎng)絡已經(jīng)占據(jù)了單目標跟蹤大半壁江山。這一切都源于2016年siamFC的提出，siamfc實際上就是將跟蹤當做匹配問題，下面具體介紹siamfc。
首先簡單介紹下siamfc的網(wǎng)絡框架，圖中ｚ是模板(即待跟蹤的目標)，ｘ是當前幀的圖像， 
是用于提取圖像特征的卷積網(wǎng)絡，因為作用于ｘ(srch_img)的與作用于ｚ(template)的完全一樣所以稱為孿生網(wǎng)絡(siamese)，經(jīng)過卷積網(wǎng)絡提取特征后分別得到ｘ和ｚ的feature map,然后將二者卷積( 
表示卷積)，即將６×６×１２８的feature map當做卷積核，在２２×２２×１２８上進行卷積得到１７×１７×1的heatmap,heatmap上值最大的點就對應于ｘ圖像中目標的中心。
下面說一些細節(jié)，首先網(wǎng)絡是5層不帶padding的AlexNet。顯然５層不符合深度學習“深”的理念，但是由于網(wǎng)絡不能加padding所以限制了網(wǎng)絡深度，為什么不能padding呢，事實上target在ｘ上的位置，我們是從heatmap得到，這是基于卷積的平移等變性，即target在ｘ上平移了ｎ，相應的就會在heatmap上平移n/stride，且值不會變。但如果加入了padding,對于圖像邊緣的像素，雖然也會平移，但值會變，因為padding對圖像的邊緣進行了改變。siamRPN++和siamDW解決了這個問題，后面會詳細講。然后是訓練時，x和ｚ的獲取方式：z是以第一幀的bbox的中心為中心裁剪出一塊圖像，再將這塊圖像縮放到１２７×１２７，２５５×２５５的srchimg也是類似得到的。這里有幾個細節(jié)需要注意，第一，template與srch_img的中心就是目標的中心，且template是裁剪過的，如果不裁剪那么template中背景過多，導致匹配失敗。不過在siamfc中背景信息完全被丟棄，換句話說，siamfc對缺乏對背景的利用，也導致模型的判別性不足，后續(xù)有相關工作對此進行改進。第二，訓練階段的標簽怎么得到呢，如果只是簡單將目標所在位置標為１，其他位置標為０，就會產(chǎn)生嚴重的樣本不均衡問題，于是作者將離目標中心點ｒ半徑內的label都設置為１，其他設為０，loss function為 
,y為預測值，ｖ為標簽值，這里關于label的設置也有一些可以優(yōu)化的點，使用focal loss是否對模型的判別性是否會更高呢。第三，在測試時，siamfc的template是不更新的，即一直為第一幀，這就導致模型的魯棒性不佳，例如隨著時間的變化template出現(xiàn)遮擋、模糊等情況，但是如果更新策略不佳又會引入模板污染、過擬合等問題，在這方面也有相關工作討論。在測試時，首先搜索區(qū)域不是整個srchimg而只是之前的四倍大小的搜索區(qū)域，其次在feature map上加了余弦窗，最后為了解決尺度問題，對srch_img進行縮放了３種尺度。
三. Siam系列
1. SiamRPN
SiamRPN是CASIA在2018提出來的網(wǎng)絡，它將siam與檢測領域的RPN進行結合。關于RPN(faster RCNN)可以參看faster RCNN,這篇帖子寫得非常好。在檢測領域RPN本意是用作檢測，它將feature map上的各個點當做錨點，并映射到映射到輸入圖片上，再在每個錨點周圍取９個尺度不同的錨框，對每個錨框進行檢測是否有物體以及位置回歸。
siamRPN的網(wǎng)絡框架見上圖，這里可以從one-shot的思路理解sianRPN，我們把template分支的embedding當作卷積核，srch_img分支當作feature map，在template與srchimg卷積之前，先將卷積核（即template得到的feature map）通過1*1卷積升維到原來的2k(用于cls)和4k（用于位置的reg）倍。然后拉出分類與位置回歸兩個分支。(建議沒看多RPN的朋友看下上面推薦的那篇講faster rcnn的帖子，看完這里就自然懂了)。這里的anchor到底是什么呢，根據(jù)筆者粗淺的理解，siamfc相當于直接將template與srching直接卷積匹配，而siamRPN在template上引入k個anchor相當于選取了k個尺度與srch_img進行匹配，解決了尺度問題。（筆者對anchor的理解還不夠深入，后面深入研究下再寫一篇文章專門探討anchor的本質及其優(yōu)缺點）
siamRPN無論是在A還是R上都優(yōu)于siamfc（這里補充一下，對于跟蹤而言主要有兩個子指標A(accuracy)與R(robust), A主要是跟蹤的位置要準，R主要是模型的判別性要高，即能夠準確識別哪些是目標，從而判斷出目標的大致位置。關于Ｒ與Ａ可參見VOT評價指標）,也就是說siamrpn的模型判別性與準確性都比siamfc好，結果見下圖。
筆者認為，準確性的提升主要來自與siamrpn將位置回歸單獨拉出來作為一個分支，這一點在后續(xù)的siamfc++中也可以看到作者相關的論述。在模型判別性方面，筆者認為，提升的關鍵在于siamrpn在進行匹配（即template與srchimg卷積的過程）時，由于引入了k個anchors,相當于從k個尺度對template與srch_img進行更加細粒度的匹配，效果更好也是情理之中。另外很重要的一點就是sianrpn解決了尺度問題。
2. DaSiamRPN
關于這篇文章，筆者之前在github上做過一些筆記，這里就簡單摘錄一些，具體筆記見DaSiamRPN。
DasiamRPN并沒有對siamfc的網(wǎng)絡結構進行過多的改進，而是從訓練數(shù)據(jù)，模板更新，搜索區(qū)域三個角度對模型的rubost進行了提升。使得SiamRPN網(wǎng)絡能夠適應長期跟蹤。
首先作者對siamrpn的缺點進行了分析，主要有三點：
在訓練階段，存在樣本不均衡問題。即大部分樣本都是沒有語義的背景（注：背景不是非target的物體，而是指那些既不屬于target，也不屬于干擾物，沒有語義的圖像塊，例如大片白色。）這就導致了網(wǎng)絡學到的僅僅是對于背景與前景的區(qū)分，即在圖像中提取出物體，但我們希望網(wǎng)絡還能夠識別target與非target物體。作者從數(shù)據(jù)增強的角度解決此問題。
模型判別性不足，缺乏模板的更新，即在heatmap中很多非target的物體得分也很高；甚至當圖像中沒有目標時，依然會有很高的得分存在。作者認為與target相似的物體對于增強模型的判別性有幫助，因此提出了distractor-aware module對干擾（得分很高的框）進行學習，更新模板，從而提高siam判別性。但是排名靠前的都是與target很相似的物體，也就是說該更新只利用到了target的信息，沒有利用到背景信息。
由于第二個缺陷，原始的siam以及siamRPN使用了余弦窗，因此當目標丟失，然后從另一個位置出現(xiàn)，此時siam不能重新識別target, (siamRPN的搜索區(qū)域是上一陣的中心加上預設的搜索區(qū)域大小形成的搜索框)，該缺陷導致siam無法適應長時間跟蹤的問題。對此作者提出了local-to-global的搜索策略，其實就是隨著目標消失幀數(shù)的增加，搜索區(qū)域逐漸擴大。
針對這三個問題，作者給出了相應的解決方案。首先對于數(shù)據(jù)問題，當然是使用數(shù)據(jù)增強，主要方法有：增加訓練集中物體的類別；訓練時使用來自同一類別的負樣本，以及來自不同類別的正樣本輔助訓練；增加圖像的運動模糊。關于template的更新問題，作者對heatmap得到目標先NMS去除一些冗余框，然后將相似度靠前的框（干擾物）拿出來，讓網(wǎng)絡對其學習，拉大target_embedding與這些干擾物之間的相似度。這樣的優(yōu)點在于既綜合了當前幀的信息，同時因NMS靠前的都與目標很相似，這就抑制了模板污染問題。
3. siamMask
關于siamMask，先放一張效果圖，就可以知道他做的是什么工作。
簡單來說siamMask就是將跟蹤與分割結合到了一起，從其結果上，相比與之前的視頻分割工作，其提升了速度，相比與之前的DasaimRPN其提升了A與R.
這里不對分割進行探討，僅從跟蹤的角度來看，筆者認為saimMask的提升相比與siamRPN主要來源與多任務學習(即更加精細的像素級的數(shù)據(jù)集與學習任務)。
上圖是siamMask的網(wǎng)絡框架，從中我們也可以看出，就網(wǎng)絡本身而言，siamMask只是比siamRPN多了一個(分割)分支，即多了一個學習任務。
4. siamRPN++
siamRPN++可以說是將siam系列網(wǎng)絡又推向一個高峰，它解決的是如何將siam網(wǎng)絡加深的問題。筆者在寫siamfc那部分時提到，siamfc中的backbone使用的是只有５層的AlexNet,且不含padding, 其實在siamrpn的backbone也很淺。這是因為網(wǎng)絡不能加padding, 不能加padding,那么隨著網(wǎng)絡深度的增加，feature map就會越來越小，特征丟失過多。而加padding則會破壞卷積的平移等變性。在siamrpn++中，作者是從實驗效果的角度對padding進行探究。作者認為padding會給網(wǎng)絡帶來空間上的偏見。具體來說，padding就是在圖片邊緣加上黑邊，但是黑邊肯定不是我們的目標，而黑邊總是在邊緣，那么對于神經(jīng)網(wǎng)絡來說，它就會認為邊緣都不是目標，即離邊緣越遠的越可能是目標。這就導致了神經(jīng)網(wǎng)絡總是習慣認為圖像中心的是目標，而忽視目標本身的特征，而siamfc的訓練方法target也確實是在圖片中央。（這里需要指明的是，在siamfc的訓練過程中，總是讓template與srch_img處于圖片的中央，作者在siamfc中說因為他們使用了全卷積的結構，所以在siamfc中不會有空間上的bias，顯然這里的結果和siamrpn++的結果有矛盾，這也是筆者在寫這篇貼子時想到的，siamfc到底有沒有空間的bias還有待筆者代碼測試，也歡迎評論區(qū)小伙伴討論。）
回到siamrpn++上來，有了上面的分析，解決辦法自然也就有了，既然網(wǎng)絡總是習慣認為中心是目標，那讓target不要總是在圖片中央不就好了，于是siamrpn++最大的貢獻就產(chǎn)生了，在訓練時讓目標相對于中心偏移幾個像素，論文中實驗表明偏移64個像素最佳.
關于網(wǎng)絡結構方面，siamrpn++也在siamrpn的基礎上做了一些改進，見上圖，首先當然是加深backbone，論文中使用了resNet50。此外在核相關環(huán)節(jié)，siamrpn是直接將template與srch_img的經(jīng)過backbone后的embedding都先升維至原來的2k倍和4k倍，這樣做的缺點是參數(shù)量的不平衡，即在核相關環(huán)節(jié)的參數(shù)量是其余環(huán)節(jié)的4倍，這為訓練增加了難度（為什么增加了難度？）。這種參數(shù)量的不平衡主要來自與核相關的卷積操作，因此siamrpn++使用depthwise cross correlation的卷積方式，用下面這張網(wǎng)上截來的圖來說明這種操作。
除此之外，siamrpn++還綜合了更多的特征，見網(wǎng)絡框架圖。這中融合使得網(wǎng)絡學會更多的圖像特征，在最近的siamCAR中也使用了類似的方法，分刷得很高，看來特征融合確實是提分利器。
最后放下siamrpn++的測試結果，
不得不承認，siamrpn++的EAO(綜合了A和R的指標)還真是高得驚人，不過仔細看A與R可以發(fā)現(xiàn)，siamrpn++的Accuracy非常出眾，但robustness提升空間還很大，也就是說，網(wǎng)絡的判別性并沒有那么驚艷，但是講道理網(wǎng)絡深度加深而且還有特征融合的助力，最受益的應該就是R，這其中原因還有待筆者跑跑代碼再做評論（盲猜是不是模板未更新的緣故，然而加入了模板更新的Dasiamrpn的R值更高）。
5. siamDW
與siamrpn++一樣siamDW也是解決siam系列網(wǎng)絡深度的問題，兩篇都同為CVPR2019的oral。
siamDW認為siam系列網(wǎng)絡不能加深原因有二：第一，隨著網(wǎng)絡深度的增加，網(wǎng)絡的感受野增加，從而減少了網(wǎng)絡的判別性與回歸的準確度；第二，padding會引入spatial bias，因為如果使用padding的話，對于卷積核（template）來說是一定帶來說是一定帶padding，而對于search image中間部分是沒有padding的，只有邊緣的才有padding，作者認為這會導致不連續(xù)，導致對于search image邊緣的目標識別很差。因此本文的作者從兩個方面探究了加深siam系列網(wǎng)絡的辦法：第一，感受野的問題，作者探究發(fā)現(xiàn)siam系列網(wǎng)絡prefer small stride,4~8最宜，同時網(wǎng)絡最后的感受野最好在整幅exemplar的60%至80%最佳，stride也要根據(jù)這個來調整；針對padding問題，作者設計了一種新的殘差網(wǎng)絡結構，先padding，得到feature map后再刪除feature map上受padding影響元素。
再來看下結果
6. siamFC++
針對siam網(wǎng)絡分析了之前的工作不合理的地方，提出了4條guidelines，并就這4條guidelines對siamfc進行了改進，個人認為這幾點guidelines非常有意義。
跟蹤網(wǎng)絡分為兩個子任務，一個是分類，一個是位置的準確估計。即網(wǎng)絡需要有分類與位置估計兩個分支。缺少分類分支，模型的判別性會降低，表現(xiàn)到VOT評價指標上就是R不高；缺少位置估計分支，目標的位置準確度會降低，表現(xiàn)到VOT評價指標上就是A不高。
分類與位置估計使用的feature map要分開。即不能分類的feature map上直接得到位置的估計，否則會降低A。
siam匹配的要是原始的exemplar，不能是與預設定的anchors匹配，否則模型的判別性會降低，siamFC++的A值略低于siamRPN++，但是R值在測試過的數(shù)據(jù)集上都比siamRPN++高，作者認為就是anchors的原因，在論文的實驗部分，作者進行了實驗發(fā)現(xiàn)siamRPN系列都是與anchors進行匹配而不是exemplar本身，但是anchors與exemplar之間存在一些差異，導致siamRPN的魯棒性不高。
不能加入數(shù)據(jù)分布的先驗知識，例如原始siamFC的三種尺度變換，anchors等實際上都是對目標尺度的一種先驗，否則會影響模型的通用性。
網(wǎng)絡結構如上圖，值得注意的是siamfc++未使用anchors那么她是怎么解決尺度問題的呢，筆者在論文中似乎未見到作者關于這方面的提及，如果有朋友注意到還請在評論區(qū)告知，此外作者在論文中說他們追隨了“per-pixel prediction fashion”，這是指什么也還有待開源代碼后筆者再研究下。
另外值得注意的是作者在訓練時是如何定義正副樣本的。作者認為落在bbox內部的點都算positive，在計算loss時，只考慮positive的點，在對位置回歸時，作者實驗發(fā)現(xiàn)PSS loss比IOU loss高0.2個點，所以位置回歸分支使用PSS loss，分類分支使用focal loss，quality分支使用BCE（即作者使用了兩種不同的loss來訓練分類分支）。在訓練時，只使用了positive的點，該模型對背景的區(qū)分度可能不夠（還是要運行代碼看呀），如果把背景也加上會不會進一步提升模型的判別性。跟蹤不僅僅是單純的根據(jù)exemplar圖像本身特征尋找，目標周圍的環(huán)境對跟蹤也有幫助，對loss進行改進。
最后看下消融實驗以及最后的結果
由該圖可以看到siamFC++改進的各部分對于最后結果的提升（與原始的siamFC比較），位置回歸對EAO提升最大，the regression branch (0.094), data source diversity (0.063/0.010), stronger backbone (0.026), and better head structure (0.020).
四. GradNet
GradNet主要解決的是網(wǎng)絡在線更新template的問題，對于template的更新主要有兩種一種是類似與Dasiamrpn融合template，另一種是梯度下降對template進行修正。作者的方法對標第二種，第二種最大的缺點在于要迭代很多次，GradNet思路清奇的訓練了一個網(wǎng)絡來替代這么多次梯度下降迭代優(yōu)化。
關于這篇論文的筆記，請參考我在github上寫的GradNet筆記
五. 統(tǒng)一檢測與單目標跟蹤的網(wǎng)絡
詳細筆記同樣參見我在github上寫的統(tǒng)一檢測與單目標跟蹤筆記
首先闡述下筆者關于將檢測直接應用到單目標跟蹤領域的難點：
如何將exemplar與srch img 融合到一起，目的就是告訴網(wǎng)絡需要跟蹤的對象，實際上也就是作者提出的第一個難點。
網(wǎng)絡不可能提前知道要跟蹤的目標從而進行相應的訓練，如何使得網(wǎng)絡能夠識別出“臨時”挑選的目標。采用meta-learning的方法如何避免過擬合。
siam成功的地方在于將上述兩個問題轉化為匹配問題，即在srch img中匹配exemplar，siam的問題在于網(wǎng)絡的判別性，即不會匹配到背景，另外exemplar是否更新，如何更新，尺度變換問題如何解決。
然后這篇論文對于這幾個問題的解決方案summary是：
提出了target-guidance module（TGM）將exemplar圖像融合到檢測的feature map里。
在線學習Meta-learning對classification head微調。
在線更新權重
anchored updating strategy減少Meta-learning的overfitting。
參考文獻
[1]SiameseFC:Luca Bertinetto, Jack Valmadre, Jo?o F. Henriques, Andrea Vedaldi, Philip H.S. Torr. "Fully-Convolutional Siamese Networks for Object Tracking." ECCV workshop (2016).
[2]SiamRPN:Bo Li, Wei Wu, Zheng Zhu, Junjie Yan. "High Performance Visual Tracking with Siamese Region Proposal Network." CVPR (2018Spotlight).
[3]DaSiamRPN:Zheng Zhu, Qiang Wang, Bo Li, Wu Wei, Junjie Yan, Weiming Hu."Distractor-aware Siamese Networks for Visual Object Tracking." ECCV (2018).
[4]SiamDW:Zhipeng Zhang, Houwen Peng."Deeper and Wider Siamese Networks for Real-Time Visual Tracking." CVPR (2019oral).
[5]SiamMask:Qiang Wang, Li Zhang, Luca Bertinetto, Weiming Hu, Philip H.S. Torr."Fast Online Object Tracking and Segmentation: A Unifying Approach." CVPR (2019).
[6]SiamRPN++:Bo Li, Wei Wu, Qiang Wang, Fangyi Zhang, Junliang Xing, Junjie Yan."SiamRPN++: Evolution of Siamese Visual Tracking with Very Deep Networks." CVPR (2019oral).
[7]GradNet:Peixia Li, Boyu Chen, Wanli Ouyang, Dong Wang, Xiaoyun Yang, Huchuan Lu."GradNet: Gradient-Guided Network for Visual Object Tracking." ICCV (2019oral).
[8]Lianghua Huang, Xin Zhao, Kaiqi Huang."Bridging the Gap Between Detection and Tracking: A Unified Approach." ICCV (2019).
[9]Yinda Xu,Zeyu Wang,Zuoxin Li,Yuan Ye,Gang Yu."SiamFC++: Towards Robust and Accurate Visual Tracking with Target Estimation Guidelines." AAAI 2020
END
整理不易，點贊三連↓