SAT:State-Aware Tracker for Real-Time Video Object Segmentation 阅读

State-Aware Tracker for Real-Time Video Object Segmentation

https://arxiv.org/abs/2003.00482
针对video object segmentation (VOS)任务的跟踪器State-Aware Tracker (SAT)

简图示意：

粉色的联合分割网络得到目标mask，蓝色的状态评估器根据分割结果评估状态得分，然后产生两个反馈：剪切策略切换和全局特征的动态更新。

SAT分为三部分：联合分割网络，状态评估器和反馈。联合分割这块把显著性编码器（橙色），相似度编码器（黄色）和全局特征（绿色）融合在一起，然后对融合后的特征进行解码，预测mask。

>这部分是利用孪生的互相关网络产生目标的位置响应，再利用该位置响应指导一次编解码过程，得到目标的mask；将互相关结果的位置响应映射到跟踪图像上。个人觉得由于互相关运算之后得到的是相似度响应图，关于图像的位置信息已经损失了，直接在响应图的基础上重建出mask或者分割信息会导致较大的误差，SiamMask就是直接在分割和回归任务后增加mask的分割任务。所以作者增加了另外的分支，称为显著性编码分支，融合响应图之后再做解码；或者可以解释为将关于目标的位置信息调制到编解码器上，这里采用了显式的调制过程。

状态评估器根据预测结果计算状态分数来当前状态。根据状态估计的结果形成反馈，一是切换裁剪策略，二是构造一个全局特征表示，起到特征增强的作用。

Segmentation

相似度编码部分结构的实现参照以Alexnet为backbone的SiamFC++，显著性编码部分使用修改的ResNet-50。
显著性编码这一部分利用编码特征、相似度响应、全局特征进行元素加法之后再进行解码，可能是想让特征更为鲁邦吧。在特征融合之后，通过双线性插值对高层特征进行上采样，和显著性编码器对应的低层特征连接起来补足图像的位置信息（FPN）。

Estimation

作者在这部分说明了一下状态评估的作用，首先是目标的状态可以划分为正常和非正常状态，正常就不用说了，目标被截断会导致mask分散，即聚集度低。而遮挡和消失会导致置信度低；这些都属于非正常状态。所以作者设计了两个分数项$s_{cf}$和$s_{cc}$，分别表征mask预测的置信度和聚集度：
$${\mathcal{S}}_{cf}=\frac{{\sum }_{i,j}{\mathcal{P}}_{i,j}\cdot {\mathcal{M}}_{i,j}}{{\sum }_{i,j}{\mathcal{M}}_{i,j}}$$

${\mathcal{P}}_{i,j}$代表mask中$\left(i,j\right)$位置处的预测得分，$\mathcal{M}$表示预测的二进制mask（前景为1，背景为0），即目标分割结果的置信度平均。
聚集度分数定义为最大连通区域面积与预测的二进制mask总面积之比:
$${\mathcal{S}}_{cc}=\frac{\max \left(\left\{\left|{\mathcal{R}}_1^c\right|,\left|{\mathcal{R}}_2^c\right|,\cdots ,\left|{\mathcal{R}}_n^c\right|\right\}\right)}{{\sum }_1^n\left|{\mathcal{R}}_i^c\right|}$$

然后最终的状态分数定义为
$${\mathcal{S}}_{state}=s_{cf}\times s_{cc}$$

如果${\mathcal{S}}_{state}$大于阈值$\mathcal{T}$，就认为是正常状态，文章里设为0.85。

Feedback

Cropping Strategy Loop

搜索区域是当前目标bbox尺寸计算的，所以最终还是要预测目标的bbox；这里有两种策略，分别对应于正常和非正常状态：对于正常状态，选取mask的最大连通区域的最小外接矩形作为目标的box，最大连通区域就是为了避免FP预测的干扰。对于非正常状态，就用SiamFC++本来的head，也就是最大值响应加目标中心到边框上下左右的距离预测；还增加了位置、尺度、比例的平滑。

上图对这种切换机制进行了说明：跟踪器在mask（白色）和回归框（彩色）之间切换。 第一列中回归框失效（无法区分两个实例），状态评估器就选择了mask框。第二列中对象被截断或部分遮挡，回归框更为完整，分割没有办法跨越较大的像素区域。第三列是快速运动的情况，回归框可以检索目标对象。青色的虚线表示相似性编码器的搜索区域；红色的表示显著性编码器的输入区域，偏了自然没办法正常分割。

Global Modeling Loop :

这部分的目的是动态更新目标的全局特征，如下

使用预测的mask和图像点乘之后得到纯粹的目标图，送入resnet-50提取特征，然后逐渐地（step by step）将高层特征融合起来：
$${\mathcal{G}}_t=(1-S_{state}\cdot \mu )\cdot {\mathcal{G}}_{t-1}+S_{state}\cdot \mu \cdot {\mathcal{F}}_t$$

$\mathcal{G}$表示全局表征特征，$\mathcal{F}$表示去除背景的图像特征，$\mu$是超参数设置为0.5。如果目标被遮挡，消失或分割不正确，则提取的特征将对全局表示是有害的；因此使用${\mathcal{S}}_{state}$来减轻跟踪异常的不利影响。

Experiments

训练和SiamFC++的策略一样，但会freeze SiamFC++相关的模型参数，在全局特征表征的部分用GT代替模型预测的mask。$\mathcal{J}$估计mask的IOU，$\mathcal{F}$描述轮廓的质量。${\mathcal{I}}_D$表示$\mathcal{J}$随时间的性能衰减。
消融实验&横向对比：