單目標(biāo)跟蹤方法-SiamMask

早期的跟蹤算法都是坐標(biāo)軸對(duì)齊的的矩形框。但隨著跟蹤精度的不斷提升，數(shù)據(jù)集的難度在不斷提升，在VOT2015時(shí)即提出使用旋轉(zhuǎn)矩形框來(lái)作為標(biāo)記。在VOT2016的時(shí)候提出自動(dòng)的通過(guò)mask來(lái)生成旋轉(zhuǎn)框的方法。更為本質(zhì)的，我們會(huì)發(fā)現(xiàn)，這個(gè)旋轉(zhuǎn)的矩形框?qū)嶋H上就是mask的一種近似。我們所要預(yù)測(cè)的實(shí)際上就是目標(biāo)物體的mask。利用mask才能得到精度本身的上界。

本文初始化簡(jiǎn)化為視頻跟蹤的box輸入即可，同時(shí)得到box和mask兩個(gè)輸出。

主體網(wǎng)絡(luò)思想和Siam系列較為類似，首先，通過(guò)初始幀框定需要跟蹤的物體圖像（記作template），用作后續(xù)幀（記作search，即搜索區(qū)域）的檢索依據(jù)；

其次，將template和search同時(shí)輸入Siameses Net，輸出兩個(gè)feature map，大小兩個(gè)feature map做互相關(guān)（cross-correlated），得到RoW的feature map；

接著，從上面輸出的feature map再輸入一個(gè)簡(jiǎn)單的兩層（1，1）卷積核的網(wǎng)絡(luò)得到Two-branch或者Three-branch輸出，各個(gè)branch主要是輸出的通道數(shù)不一樣，進(jìn)而影響到任務(wù)的不一樣。

最后，mask可以有兩種方法生成，一個(gè)是base path生成方式，另一個(gè)是通過(guò)refine path生成。

先講一下Siamese網(wǎng)絡(luò)

主要是計(jì)算兩個(gè)輸入的相似度,。左右兩個(gè)神經(jīng)網(wǎng)絡(luò)分別將輸入轉(zhuǎn)換成一個(gè)"向量"，在新的空間中，通過(guò)判斷cosine距離就能得到相似度。

?

1. Mask分支(類別無(wú)關(guān)的半監(jiān)督分割)

????在siamese網(wǎng)絡(luò)架構(gòu)中額外增加一個(gè)Mask分支即可，但是相較于預(yù)測(cè)score和box，mask的預(yù)測(cè)會(huì)更為困難。我們這里使用的表述方法，是利用一個(gè)vector來(lái)編碼一個(gè)RoW的mask，其實(shí)是在channel上面對(duì)patch的mask進(jìn)行編碼，使用一個(gè)logistic二分類監(jiān)督。這使得每個(gè)prediction位置具有非常高的輸出維度（63*63), 我們通過(guò)depthwise的卷積后級(jí)聯(lián)1x1卷積來(lái)升維來(lái)實(shí)現(xiàn)高效運(yùn)行。這樣即構(gòu)成了我們的主要模型框架。

2. SiamMask還應(yīng)用了DepthwiseCross-correlation的方式，解決SiamRPN非對(duì)稱的問(wèn)題，并使用ResNet-50作為網(wǎng)絡(luò)主體加深網(wǎng)絡(luò)深度，以獲得更多層次的特征。

3. 生成mask:

1)?????直接預(yù)測(cè)的Mask分支的精度并不太高。

1. 得到一根柱子（RoW），維度是（1，1，63*63）；

2. ?將這根RoW resize為（63， 63）的矩陣，同時(shí)對(duì)這個(gè)矩陣做sigmoid，講清楚點(diǎn)就是63*63個(gè)二值classifier，用于判斷這個(gè)矩陣的某一個(gè)值是否屬于mask；mask矩陣，矩陣是經(jīng)過(guò)sigmoid后的0-1的值，然后我們將這個(gè)mask 映射回原圖。映射方式叫做仿射變換，實(shí)現(xiàn)的話關(guān)注下cv2.warpAffine函數(shù)；

3. 通過(guò)預(yù)設(shè)的一個(gè)分割閾值，論文用0.5，但是代碼用的0.35，去過(guò)濾5-3得到的sigmoid后的以及仿射變換后的mask，這樣就得到需要的目標(biāo)分割

2)???? Refine Module用來(lái)提升分割的精度，refine module采用top-down的結(jié)構(gòu)，通過(guò)級(jí)聯(lián)Refine的形式逐級(jí)將低語(yǔ)義信息高分辨率的feature map和上采樣后的mask進(jìn)行融合，最終得到同時(shí)擁有高語(yǔ)義信息和高分辨率的mask。

1. 和256的RoW有關(guān)，只保留三分支中的score分支，將所有anchor的score做一系列操作，如乘上size 懲罰項(xiàng)（size_penalty)，加上全圖位置得分，從高到小的排列，選擇最大值。

2. 根據(jù)最大值的index，通過(guò)np.unravel_index轉(zhuǎn)換得到feature map上的坐標(biāo)，即可在（17，17， 256）feature map中得到一根RoW，傳入refine path；傳入refine path的是（1，1，256），即size為（1，1），channel為256的feature map

3. 第一步就是要做deconv（反卷積），得到（15，15， 32）的feature map

4. 和search經(jīng)過(guò)res50保存下來(lái)的featuremap們進(jìn)行相加耦合，template的feature map們需要經(jīng)過(guò)兩層模型的降維達(dá)到和RoW經(jīng)過(guò)refine path的相同channel數(shù)和size，就可以相加

5. （127， 127， 4）的模型在經(jīng)過(guò)一個(gè)（3， 3，4，1）卷積層得到（127，127，1）的mask

對(duì)于輸出mask轉(zhuǎn)換為box，有多重選擇，我們使用了較為容易生成的最小外包矩形（MBR）

1. ?網(wǎng)絡(luò)結(jié)構(gòu)：Resnet-50，直到第4stage，正常模型會(huì)得到一個(gè)channel為1024的featuremap，但本網(wǎng)絡(luò)得到的channel是256的feature map，原因是還進(jìn)行了一層的下采樣。

2. ?使用了空洞卷積（dilated convolution），以增加感受野，增加感受野可以更好的得到目標(biāo)mask。

3.??采用了ImageNet-1k的預(yù)訓(xùn)練模型，使用SGD優(yōu)化器，前5個(gè)epoch做了warm up( 學(xué)習(xí)率10^-3?)，接著在15個(gè)epoch內(nèi)逐漸降到?10^-4

4. ??數(shù)據(jù)集不止采用了youtube-VOS(像素級(jí))，還有COCO以及ImageNet-VID。

離線訓(xùn)練

• 需要像素級(jí)別的標(biāo)注來(lái)計(jì)算分割loss

• 訓(xùn)練圖片和mask圖片都是物體或mask 的size小于（127，127），物體和mask各自居于圖片中心，且訓(xùn)練圖片和mask圖片size都為511的大小。注：511不關(guān)鍵，選其他值也一樣，關(guān)鍵是要能夠方便crop出訓(xùn)練圖片和訓(xùn)練mask label。

1. 梳理下推理流程：圖片被resize到（256，256，3）的大小-->輸入模型-->2-branch輸出還是3-branch輸出-->各自去生成mask。

2. 2-branch的時(shí)候，我們會(huì)選擇最大的score分的那根RoW，這個(gè)時(shí)候要注意，一共有兩根RoW，一個(gè)是前面層的（1，1，256），一個(gè)是（1，1，63*63），如果要經(jīng)過(guò)refine生成mask，選前面那個(gè)Row（1，1，256），如果想base生成，則選擇后面那個(gè)RoW。同理3-branch亦然，只不過(guò)score變成了cls分類最高值among all anchors。

3. 推理階段，會(huì)根據(jù)上一幀的bbox位置來(lái)確定當(dāng)前幀的search 區(qū)域，如果是3-branch，直接采用置信度最高的bbox，如果是2-branch，則需要用mask的RectBoundingBox獲取。

?

• 生成template

template不是簡(jiǎn)單的框定ROI然后resize為（127，127，3）。他需要將框定的框做一個(gè)大約2倍放大（假設(shè)框定框的寬高分別為w、h，則需要放大到的size計(jì)算公式為：

?

然后我們需要以物體為中心， sz 為寬高，截取一個(gè)正方體的物體出來(lái)，然后再resize為（127，127，3），這樣得到template, 從下面圖可以看出來(lái)，有些時(shí)候框不一定都在圖里面，所以框到圖外的部分要做padding，padding值為圖片各自通道的均值（shape為（1，3））。

• 生成search

這里需要注意的一點(diǎn)是search同樣不是直接把原圖resize到（255，255，3）丟進(jìn)模型里，他依靠template的物體在原圖的位置，以物體為中心，約4倍物體size為寬高，進(jìn)行截取，截取方式同template，只是需要把截取范圍擴(kuò)大1倍，同樣圖外的部分要做padding，padding值為圖片各通道均值，resize為（255，255，3）就可以丟進(jìn)模型啦。

ok，template和search在推理階段的生成就講完啦，我們稍微梳理下：search的截取范圍約是template的2倍，template的截取范圍又約是框定框的2倍。

之所以這么做的原因是很多時(shí)候幀與幀之間間隔時(shí)間比較短，理論上應(yīng)該在上一幀的附近，這個(gè)時(shí)候我們也可以回想到我們物體訓(xùn)練的時(shí)候，search和template的選擇也是盡可能在一定時(shí)域范圍內(nèi)去選取的。然后template的截取是物體實(shí)際大小的2倍，小七初步推測(cè)是為了盡可能完善框定框外的圖片區(qū)域一起放進(jìn)template去search做搜索。

? ? ? ? ??