[深度学习] [目标跟踪] Siamese-RPN论文阅读笔记

本文是我对CVPR2018上的一篇论文的一些阅读笔记和个人理解，欢迎批评指正。

论文题目：high performance visual tracking with siamese region proposal network（论文链接在这）

 

零、关于tracking

目标跟踪是指：对于一段连续的视频，给定第一帧中的标定框（框住需要跟踪的物体），要求在该视频的后续帧框住该物体。

注意，目标跟踪和目标检测是不同的：detection是给一幅图，要求输出图片上的《在训练集中出现过的物体》的类别和位置；而tracking则是给一组连续的视频帧，以及第一帧中物体的位置，要求输出剩余帧中该物体的位置，并且该物体是训练集中从未出现过的。可以看出，detection要求localization and classification，而tracking则只要求localization，但是tracking对定位的精度和速度的要求比detection高得多：tracking的精度评价指标EAO与IOU直接相关，而detection的评价指标mAP则是要求IOU只要过线就行。而且更重要的是，tracking要求定位的物体是训练集中从未出现过的，这是最主要、最本质的区别。

tracking的两类主要方法：

1、基于相关滤波。比如KCF、ECO等。此类模型为生成式模型，没有像神经网络那样的迭代训练过程。

2、基于深度学习（CNN）。比如Siamese-FC，Siamese-RPN等。

一、本文主要贡献

1、提出siamese region proposal network(Siamese-RPN)用于解决目标跟踪问题。该网络可利用“图片对”进行端到端地离线训练；

2、该模型可将在线跟踪任务转换为one-shot检测任务，而不是使用低效费时的多尺度测试(multi-scale test)；

3、该模型在保证准确率的同时，达到了较高的速度。

 

二、相关工作

介绍了Siamese-FC提出的Siamese结构以及Faster-RCNN提出的RPN。其实该模型就是由Siamese subnetwork与RPN subnetwork串联而成，并没有网络结构或数学理论的较大创新。

 

三、Siamese-RPN模型结构

模型整体结构如下图所示。

 

1、Siamese Network

Siamese Network包括两个branch: template branch和detection branch。其中的CNN是不带padding的fully convolutional network。论文使用了修改后的AlexNet，具体修改方法就是去掉padding，同时修改stride以使得网络输出特征图的高度和宽度与上图相匹配，此处可参照Siamese-FC论文：

另外，template branch与detection branch中的两个CNN共享参数，这相当于使用了同样的线性变换，或者说对template frame 和detection frame提取了同样的特征。

 

2、RPN

RPN也包含两个branch：分类分支和回归分支。本文以分类分支（即上图中RPN部分靠上的虚线框）为例来说明。

conv1的目的是对来自template的特征进行通道数提升。将其变为（2kX256）个通道后，再经过切分，变成四维的变量(4X4X2kX256)，才能作为卷积核。为了与template保持一致，图中对detection也进行了相应操作（即conv2），但保持detection的维度不变。图中的星号代表“互相关”（cross-correlation）操作。（其实也就是CNN中的卷积操作，因为CNN中所谓的“卷积”绝大多数情况下指的是互相关操作），相当于用template在detection进行搜索。图中的k表示anchor的数量（论文中取k=5）。在RPN中，分类分支的输入应当具有2k个通道，分别表示k个anchor是前景还是背景的概率，因此φ(z)的输出通道数为2k。

回归分支与分类分支的操作类似，不再赘述。

 

四、模型训练

本论文采用的loss与Faster-RCNN相同，分类部分的采用cross-entropy loss，回归部分采用smooth L1 loss。

然后图像预处理方式与Siamese-FC相同，具体来说就是经过填充、裁剪、缩放，把ground truth box放到图像的中心位置。预处理后的效果如下图所示。

公式见下图。另外，由论文中的以下公式可以看出，template frame和detection frame中ground truth box总是被缩放到约为64^2的面积。

那么为什么要进行这样的操作呢？这样操作有什么好处呢？Siamese-FC论文中说到：

意思也就是说，《与目标相邻但又不是目标的子窗口》对跟踪器性能影响最大。这个比较好理解，因为跟踪器的性能评价指标与IOU紧密相关，IOU在0.2，0.3左右确实比较影响性能。经过这样的处理以后，《与目标相邻但又不是目标的子窗口》在数量和质量上都得到了保障。

但这样又带来了一个问题：纯背景的IOU更小，不是会更加影响性能吗？为什么不用纯背景作为反例来进行训练呢？

我个人的理解是这样：

1、在真正进行跟踪时，如果真的跟踪到了纯背景的图像，那么想在下面的帧跟踪到目标已经不可能了。与其这样，还不如在IOU比较小的时候及时进行调整。

2、跟踪器在VOT或OTB数据集上进行测试时，若IOU小于某个阈值，则会进行复位操作（即把ground truth告诉给跟踪器），基于这种考虑，模型在数据集上进行测试时不太可能跟踪到纯背景的图像。

3、纯背景的图象太多，而且没有提供关于目标的任何信息，因此用这种图像来训练没有任何意义。

另外，我个人认为，这种预处理方法还有一个好处：任何尺寸（w×h）的物体总是可以分别在模板和检测中占据相同的区域（64^ 2）。这个很好推导，根据上图中的公式（15），在template frame中，若w=h，则p=w=h，那么A=2w=2h，然后经过缩放，由于template是127×127的，所以物体约是64×64的。在detection frame中同理。即使w!=h，物体的面积与64^ 2相差也不大。经过这样的处理，跟踪器在训练和测试时就易于对具有不同大小，但具有相似《形变》的的物体进行迁移，因为模型在训练时真正需要的不是某类物体的特征，而是学习物体形变的特征（具体见七）。

五、模型预测

模型预测与Faster-RCNN差不多，添加了一些tricks。具体步骤如下：

1、对于coutput，首先扔掉其边缘，即仅保留与中心距离小于某阈值的输出。由于相邻的帧变化不大，故这一步可过滤掉outliers；

2、使用cosine window。cosine window的本质也是对远离边缘的数据进行抑制。

3、使用下图所示的penalty。这一步的目的是对相邻两帧之间过大的形状和尺度变化进行抑制。

综合以上因素后，对coutput的各个位置的score进行比较，从而得到coutput最大值所在的位置。

然后一方面得到了该位置所对应的anchor，另一方面根据该位置得到routput中的相应元素，确定该anchor的四个偏移量（dx, dy, dw, dz），根据anchor的坐标及偏移量就能得到预测框。这一过程其实就是构造rlabel的逆过程。

该预测框的坐标是根据预处理后的图像得到的，因此还要把它还原到原图。

 

六、实验结果

Siamese-RPN的具体实验结果可以看论文，这里就不贴了。

关于tracking的各种评测指标，网上的介绍比较少，这里根据我的理解，通俗地介绍一下论文中出现的各种评测指标。

EAO：是指所有帧重合率的平均值。

准确率(Accuracy)：成功跟踪时的帧占总帧数的比例。所谓“成功跟踪”是指重叠率大于某个阈值的那些帧。

失败率(Failure)：一定长度的帧数之内，重合率小于某个阈值的次数。在VOT或OTB数据集上，每当重合率小于某个阈值时，会进行复位，所谓“复位”也就是把ground truth告诉模型。

EFO：表示归一化后的跟踪速度。具体做法是在同一台设备上用《跟踪算法处理每帧图像的时间》除以《用30*30的窗口对600×600的图像做滤波操作的时间》。

 

七、关于目标跟踪的一些想法

可以看到，用于目标跟踪的Siamese-RPN模型非常简单（Siamese-FC模型就更简单了），层数特别少，而且真正训练的时候，只训练到了6个卷积层（AlexNet的后两个卷积层+图中的conv1~conv4），但经典的CNN网络如VGG，Inception，ResNet等等，少则几百层，多则上千层，为什么用于目标跟踪的模型的层数和参数量这么少呢（更重要的是需要跟踪的物体还是训练集中从未出现过的）？

个人的理解是这样，VGG，Inception，ResNet这些模型学到的是每一类物体的特点，因此在测试时可以输出物体的类别。Siamese-RPN模型真正学到的，并不是某一类或某几类物体的特点，而是通过这些物体来学习所有物体形变的特点。也就是说虽然物体的种类有很多，但任何物体的形变都是有规律的，是可迁移的，或者说是可数的。当然，所有形变的种类加起来是无数种（比如旋转，可以旋转0~360之间任何一个角度，还包括扭曲、弯折等更复杂的形变），但由于它们都有规律，那么当训练集足够大时，就可以囊括（或者说模型可以学到）各种各样的规律，这样就可以用《用只包含有限物体的训练集而训练出的模型》来《对任意物体进行跟踪》。因此即使模型在面对一个没见过的物体时，也能正确进行跟踪。