DasiamRPN论文阅读

文献：DaSiamRPN: Zheng Zhu, Qiang Wang, Bo Li, Wu Wei, Junjie Yan, Weiming Hu.“Distractor-aware Siamese Networks for Visual Object Tracking.” ECCV (2018). [paper] [github]

文章主要贡献

1.训练数据的扩充

1. 加入Detection pair (ImageNet,COCO中做数据增广)
2. negative simple in same categories (Called Distractor-aware Training)
3. negative simple in different categories (Called Distractor-aware Training)

2.Distractor Model

• 引入Distractor Model,将Proposal与exemplar的相似性度量得分减去所有之前预先得到的Distrator(NMS将网络提出的proposal去冗余,去掉classification score最高的proposal，在剩下的Distrator set 中保留score大于给定阈值的proposal)与当前proposal 的score(相似性度量)的加权和的平均

3.long term Tracking

• 当追丢时用local to global stategy 恒定step迭代的增加搜索区域的大小

具体而言

1. 扩充数据集

---

detection pairs	negative pair from same categoriess	negative pairs from different categories

2. Distractor Model

TEST:$\Gamma (n)=(n-1)!\forall n\in \mathbb{N}$
传统的SiamTracking是用求相似性度量用以下公式：
$$f(x)=\phi (x)\ast \phi (z)+b\cdot 1$$

• 作者提出将NMS将网络提出的proposal去冗余,去掉classification score最高的proposal，在剩下的Distrator set 中保留score大于给定阈值的proposal)与当前proposal 的score(相似性度量)的加权和的平均
  $$q=\underset{p_k\in \mathcal{P}}{\mathrm{argmax}}f(z,p_k)-\frac{\hat{\alpha }-{\sum }_{i=1}^n{\alpha }_{i}f(d_i,p_k)}{{\sum }_{i=1}^n{\alpha }_i}$$
  $\mathcal{P}$ 是score在top-k的proposal, ${\alpha }_i$是每个干扰proposal的权重(paper中是全为1), $d_i$是第 $i$ 个 distractor proposal
• 因为自相关操作是线性的，则将$\phi (p_k)$提出来：

$$q=\underset{p_k\in \mathcal{P}}{\mathrm{argmax}}(\phi (z)-\frac{\hat{\alpha }{\sum }_{i=1}^n{\alpha }_{i}f(d_i,p_k)}{{\sum }_{i=1}^n{\alpha }_i})\ast \phi (p_k)$$

3.Long term Tracking

• 当追丢时用local to global stategy 恒定step迭代的增加搜索区域的大小