ECCV 2018 《Triplet Loss in Siamese Network for Object Tracking》论文笔记

目录

  • 模型概况
  • 实验结果

       理解出错之处望不吝指正。
       文章链接

模型概况

       模型结构如下图所示:
ECCV 2018 《Triplet Loss in Siamese Network for Object Tracking》论文笔记_第1张图片
       本模型与SiamFC的区别在于:提出了一种不同于SiamFC的损失函数。
       在SiamFC中的损失函数如下:
L l ( Y , V ) = ∑ x i ∈ X w i l o g ( 1 + e − y i ⋅ v i ) L_l(Y,V)=\sum_{x_i \in X}w_ilog(1+e^{-y_i \centerdot v_i}) Ll(Y,V)=xiXwilog(1+eyivi)
       作者说,这个损失函数不够好,因为它只考虑了每个instance(啥是instance?比如模板经过特征提取后得到6×6的特征图 f e f_e fe,搜索区域经过特征提取后得到22×22的特征图 f s f_s fs,我们使用6×6的特征图当做卷积核在22×22的特征图上进行卷积得到17×17的分数矩阵,则在卷积的过程中 f s f_s fs中的每一个6×6区域在原图上的对应区域就是一个instance,而对应“+1”标签的称为positive instance,“-1”标签的称为negative instance)是否足够正确,而忽略了positive instance和negative instance之间的关系。
       文中提出使用下式的损失函数:
L t ( V p , V n ) = − 1 / ( M N ) ∑ i M ∑ j N l o g   p r o b ( v p i , v n j ) L_t(V_p,V_n)=-1/(MN)\sum_{i}^{M}\sum_{j}^{N}log\ prob(vp_i,vn_j) Lt(Vp,Vn)=1/(MN)iMjNlog prob(vpi,vnj)
p r o b ( v p i , v n j ) = e v p i / ( e v p i + e v n j ) prob(vp_i,vn_j)=e^{vp_i}/(e^{vp_i}+e^{vn_j}) prob(vpi,vnj)=evpi/(evpi+evnj)
       作者还通过梯度计算公式对比了两种损失函数(以下为两种损失函数的梯度中不同的部分,并不是全部的梯度公式):
∂ T l ∂ v p = − 1 2 ( 1 + e v p ) ,      ∂ T l ∂ v n = 1 2 ( 1 + e − v n ) \frac{\partial T_l}{\partial vp}=-\frac{1}{2(1+e^{vp})},\ \ \ \ \frac{\partial T_l}{\partial vn}=\frac{1}{2(1+e^{-vn})} vpTl=2(1+evp)1,    vnTl=2(1+evn)1
∂ T t ∂ v p = − 1 1 + e v p − v n ,      ∂ T t ∂ v n = 1 1 + e v p − v n \frac{\partial T_t}{\partial vp}=-\frac{1}{1+e^{vp-vn}},\ \ \ \ \frac{\partial T_t}{\partial vn}=\frac{1}{1+e^{vp-vn}} vpTt=1+evpvn1,    vnTt=1+evpvn1
       从中我们可以看出本文中的损失函数在计算positive instance和negative instance的梯度时,都能考虑到两种不同的instance的联系,这样利于得到更好的跟踪模型。

实验结果

       文章的训练数据集采用ILSVRC2015,实验结果如下所示。
       1.OTB-2013
ECCV 2018 《Triplet Loss in Siamese Network for Object Tracking》论文笔记_第2张图片
       2.OTB-其他
ECCV 2018 《Triplet Loss in Siamese Network for Object Tracking》论文笔记_第3张图片       3.VOT-2017
在这里插入图片描述

你可能感兴趣的:(目标跟踪,----,2018年论文)