狠狠干99,美女扒开尿口让男生桶爽视频,人人操人人摸人人操,国产精品福利视频在线观看,五月欧美激激激综合网色播,久久大香蕉,成人无码视频网站,成人在线激情

向AI轉(zhuǎn)型的程序員都關(guān)注了這個(gè)號(hào)??????

人工智能大數(shù)據(jù)與深度學(xué)習(xí) 公眾號(hào)：datayx

論文地址：https://arxiv.org/pdf/1812.11703.pdf

代碼地址：https://github.com/STVIR/pysot

前言

在所有效果較好的算法中，網(wǎng)絡(luò)結(jié)構(gòu)基本是基于AlexNet和VGG，深度學(xué)習(xí)作為當(dāng)今潮流，人們喜歡將熱門(mén)網(wǎng)絡(luò)結(jié)構(gòu)與自己領(lǐng)域相結(jié)合，但是為什么在前幾年ResNet熱度高居不下的情況下，依然沒(méi)有人將ResNet應(yīng)用到目標(biāo)檢測(cè)中。這便是這篇論文解決的問(wèn)題，雖然在CIR算法中也提到這個(gè)問(wèn)題，但是Siamese-RPN++明顯各方面表現(xiàn)都要好一點(diǎn)。

在論文中提到，由于目標(biāo)可能出現(xiàn)在搜索區(qū)域的任何位置，因此目標(biāo)模板的學(xué)習(xí)特征表示應(yīng)保持空間不變，而ResNet網(wǎng)絡(luò)中都會(huì)有Padding操作，而這個(gè)操作會(huì)影響算法的平移不變性，使得網(wǎng)絡(luò)更加關(guān)注圖像中心。我們進(jìn)一步發(fā)現(xiàn)，在現(xiàn)代深層體系結(jié)構(gòu)中，只有AlexNet的零填充變體滿足此空間不變性的限制。所以該論文的工作便是將ResNet運(yùn)用于Siamese-RPN，代替常規(guī)的AlexNet，并且性能提升。

論文行文思路如下：

圖1 解決問(wèn)題思路

總體設(shè)計(jì)：

經(jīng)過(guò)詳細(xì)分析，論文中發(fā)現(xiàn)使用深層網(wǎng)絡(luò)防止連體跟蹤器的核心原因與這兩個(gè)方面有關(guān)，一個(gè)原因是深層網(wǎng)絡(luò)中的填充將破壞嚴(yán)格的平移不變性，另一個(gè)是RPN需要不對(duì)稱(chēng)的特征來(lái)進(jìn)行分類(lèi)和回歸。

1）引入空間感知采樣策略來(lái)克服第一個(gè)問(wèn)題。

2）第二個(gè)問(wèn)題引導(dǎo)了Depthwise Cross Correlation模塊的產(chǎn)生，這樣第二個(gè)問(wèn)題可以迎刃而解。

在本文中一共有以下四個(gè)創(chuàng)新：

1）使用空間感知采樣策略處理數(shù)據(jù)。

2）將ResNet或MobileNet這樣的深層網(wǎng)絡(luò)引入孿生網(wǎng)絡(luò)。

3）逐層聚合，選擇了三個(gè)殘差塊的輸出到RPN中。

4）深度交叉相關(guān)（Depthwise Cross Correlation）。

基于這些創(chuàng)新點(diǎn)，本論文提出的方法主要流程為，首先將目標(biāo)圖像和搜索圖像分別輸入孿生網(wǎng)絡(luò)的兩端，經(jīng)過(guò)50層的ResNet網(wǎng)絡(luò)分別對(duì)他們進(jìn)行特征提取，并且在conv3、conv4和conv5輸入到RPN網(wǎng)絡(luò)中，進(jìn)行目標(biāo)檢測(cè)，然后三個(gè)結(jié)果進(jìn)行融合，輸出目標(biāo)被框出來(lái)的搜索圖像。論文中提出的框架圖如圖3所示，我們根據(jù)流程繪制的大致流程圖如圖2所示。

圖 2 SiamRPN++框架圖

詳細(xì)設(shè)計(jì)：

1、空間感知采樣策略

經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，正樣本放在圖像中心會(huì)使網(wǎng)絡(luò)只對(duì)中心產(chǎn)生響應(yīng)，不利于移動(dòng)目標(biāo)檢測(cè)，因此，在訓(xùn)練過(guò)程中，不再把正樣本塊放在圖像正中心，而是按照均勻分布的采樣方式讓目標(biāo)在中心點(diǎn)附近進(jìn)行偏移。這樣就可以解決數(shù)據(jù)集的問(wèn)題，便可以使用深層網(wǎng)絡(luò)了。

文章中設(shè)計(jì)了一個(gè)模擬實(shí)驗(yàn)來(lái)驗(yàn)證resnet加入padding后帶來(lái)平移不變性被破壞的影響。

把正樣本均勻分布到某個(gè)范圍內(nèi)，而不是一直在中心時(shí)（所謂的范圍即是指距離中心點(diǎn)一定距離，該距離為shift；正樣本在這個(gè)范圍內(nèi)是均勻分布的），隨著shift的不斷增大，這種現(xiàn)象能夠逐漸得到緩解。當(dāng)shift從0變化到64的時(shí)候，跟蹤算法在VOT16和VOT18數(shù)據(jù)集上面的效果都有了顯著的性能提升，當(dāng)shift超過(guò)64之后，提升的性能并不大，這可以從一方面說(shuō)明該操作可以在一定程度上緩解上述這個(gè)問(wèn)題。

圖3 平移效果圖

所以，通過(guò)均勻分布的采樣方式讓目標(biāo)在中心點(diǎn)附近進(jìn)行偏移，可以緩解網(wǎng)絡(luò)因?yàn)槠茐牧藝?yán)格平移不變性帶來(lái)的影響，即消除了位置偏見(jiàn)，讓有padding的更深層網(wǎng)絡(luò)可以應(yīng)用于跟蹤算法中。

2、將ResNet或MobileNet這樣的深層網(wǎng)絡(luò)引入孿生網(wǎng)絡(luò)

本文實(shí)驗(yàn)使用ResNet-50，現(xiàn)代化網(wǎng)絡(luò)一般都是stride32，但跟蹤為了定位的準(zhǔn)確性，一般stride都比較小（Siamese系列一般都為8），所以我們把ResNet最后兩個(gè)block的stride去掉了，同時(shí)增加了膨脹卷積，一是為了增加感受野，二是為了能利用上預(yù)訓(xùn)練參數(shù)。

3、逐層聚合

圖4 RPN塊

分別將conv3、conv4和conv5層的特征圖輸入到RPN網(wǎng)絡(luò)中，然后利用圖5所示RPN塊對(duì)特征圖進(jìn)行目標(biāo)檢測(cè)，對(duì)每一張圖片進(jìn)行分類(lèi)檢測(cè)和定位框位置。在深層網(wǎng)絡(luò)結(jié)構(gòu)中，早期圖層的特征主要集中在顏色，形狀等低級(jí)信息上，對(duì)于本地化至關(guān)重要，因此才使用將前面的卷積特征圖輸出。

使用三個(gè)RPN塊的好處主要有兩點(diǎn)：

1）可以通過(guò)多個(gè)SiamRPN來(lái)選擇出多樣化的樣本或者具有判別性的樣本塊，第一個(gè)SiamRPN可以去除掉一些特別簡(jiǎn)單的樣本塊，而后面的網(wǎng)絡(luò)進(jìn)一步進(jìn)行濾除，最終剩余一些復(fù)雜的負(fù)樣本，這樣其實(shí)有利于提升網(wǎng)絡(luò)的判別能力。

2）由于使用了多級(jí)回歸操作，因此可以獲得一個(gè)更加準(zhǔn)確的BBox。

圖5 多層融合計(jì)算公式

其中所需要的超參數(shù)是預(yù)訓(xùn)練時(shí)學(xué)習(xí)到的。

4、深度交叉相關(guān)（Depthwise Cross Correlation）

具體結(jié)構(gòu)如圖4所示，和SiamRPN中的UpChannel一樣，在做correlation操作以前，模版和搜索分支會(huì)分別通過(guò)一個(gè)卷積層，但并不需要進(jìn)行維度提升，這里只是為了提供一個(gè)非孿生的特征。在這之后，通過(guò)類(lèi)似depthwise卷積的方法，逐通道計(jì)算correlation結(jié)果，這樣的好處是可以得到一個(gè)通道數(shù)非1的輸出，可以在后面添加一個(gè)普通的 1x1卷積就可以得到分類(lèi)和回歸的結(jié)果。整個(gè)過(guò)程類(lèi)似于構(gòu)造檢測(cè)網(wǎng)絡(luò)的頭網(wǎng)絡(luò)。

它的參數(shù)比SiamRPN中的UpChannel少10倍，然而性能卻沒(méi)有下降，因此SiamRPN++性能得到了巨大的提升。

這里的想法我覺(jué)得借鑒于MobileNet v1,模型壓縮的一種有效方法。

圖6 DW-Corr結(jié)構(gòu)

實(shí)驗(yàn)效果：

圖7 在VOT-2018上跟蹤器指標(biāo)

圖8 成功率圖

圖9 精確度圖

總結(jié)

從這篇論文之后，特征提取的主網(wǎng)絡(luò)使用ResNet-50這樣的復(fù)雜網(wǎng)絡(luò)代替之前的AlexNet應(yīng)該是主流了，同樣作者的空間采樣策略在訓(xùn)練時(shí)很有借鑒的意義，而后面參數(shù)量增加帶來(lái)的速率的問(wèn)題，通過(guò)模型壓縮進(jìn)行解決而本論文之采用了MobileNet v1的深度可分離卷積，現(xiàn)在MobileNet已經(jīng)出到了v3，后面可能會(huì)跟著對(duì)應(yīng)被更新替換。而三個(gè)通道出來(lái)的融合，更像一個(gè)不同卷積層不同感知特征的一個(gè)融合，是一個(gè)低層顏色形狀輪廓跟后期特征的一個(gè)共同作用。

機(jī)器學(xué)習(xí)算法AI大數(shù)據(jù)技術(shù)

搜索公眾號(hào)添加： datanlp

長(zhǎng)按圖片，識(shí)別二維碼

閱讀過(guò)本文的人還看了以下文章：

TensorFlow 2.0深度學(xué)習(xí)案例實(shí)戰(zhàn)

基于40萬(wàn)表格數(shù)據(jù)集TableBank，用MaskRCNN做表格檢測(cè)

《基于深度學(xué)習(xí)的自然語(yǔ)言處理》中/英PDF

Deep Learning 中文版初版-周志華團(tuán)隊(duì)

【全套視頻課】最全的目標(biāo)檢測(cè)算法系列講解，通俗易懂！

《美團(tuán)機(jī)器學(xué)習(xí)實(shí)踐》_美團(tuán)算法團(tuán)隊(duì).pdf

《深度學(xué)習(xí)入門(mén)：基于Python的理論與實(shí)現(xiàn)》高清中文PDF+源碼

特征提取與圖像處理(第二版).pdf