单目标跟踪通过CAM绘制heatmap图像(以SiamCAR为例)

论文链接：

SiamCAR: Siamese Fully Convolutional Classification and Regression for Visual Tracking

Group-CAM: Group Score-Weighted Visual Explanations for Deep Convolutional Networks

代码链接：

SiamCAR+Group-CAM:code

环境配置：

pip install -r requirements.txt
cd toolkit/utils/
python setup.py build_ext --inplace

注：与SiamCAR环境配置相同，不同的是这里增加了一个python包：kornia

运行：

对于SiamCAR-CAM代码的运行，在终端上，参见下面的代码。

cd /path/to/SiamCAR-CAM
conda activate SiamCAR
export PYTHONPATH=./:$PYTHONPATH
python tools/CAM-demo.py                                \
	--dataset_dir  /path/to/dataset/root            \ # dataset path
	--dataset UAV123                                \ # dataset name(OTB100, GOT-10k, LaSOT, UAV123)
	--snapshot snapshot/general_model.pth           \ # tracker_name
	--format bmp                                    \ # save fomat (pdf,png,jpg,bmp)   
	--save_dir /path/to/save                        \ # save dir
	--config ./experiments/siamcar_r50/config.yaml  \ # config file
	--register_layer softmax                        \ # module register name

值得注意的是，通过CAM进行可视化，只有最后一层分类分支或者SiamCAR中，经过归一化的Centerness分支的输出进行可视化才是有意义的。其余分支经过CAM进行可视化，会出现杂乱无章的状态，这对于我们做数据分析来说，是无用的。但是为了方便理解，在代码中，我们将SiamCAR其余的神经网络结构也进行了注册，方便进行可视化。

以上面代码为例，在配置好环境后，我们在终端下进行如下的指令运行：

cd /home/db306/桌面/SiamCAR-CAM
conda activate SiamCAR
export PYTHONPATH=./:$PYTHONPATH
python tools/CAM-demo.py                                \
	--dataset_dir    /media/db306/HUSHUO/Benchmark/     \
	--dataset OTB100                                    \ 
	--snapshot snapshot/general_model.pth               \ 
	--format bmp                                        \ 
	--save_dir ./test                                   \ 
	--config ./experiments/siamcar_r50/config.yaml      \
	--register_layer softmax                             

最后绘制出SiamCAR的分类分支heatmap可视化的结果：

在OTB100基准下，不同视频不同帧的分类分支的heatmap可视化

 CAM部分代码：

参见:

/path/to/SiamCAR-CAM/CAM/GroupCAM.py

/path/to/SiamCAR-CAM/pysot/tracker/siamcar_tracker_cam.py

/path/to/SiamCAR-CAM/tools/CAM-demo.py

注：由于未知原因，实际上经运行发现，不是所有的视频帧都会出现heatmap图像，这与Group-CAM有关，以及单目标跟踪中(pysot系列)，通常不会将输入图像进行归一化有关，这篇代码中，对于CAM部分，我们进行了归一化操作，对于涉及到跟踪器的部分，我们进行了反归一化操作。故猜测可能是这一个问题造成的。

代码中的一些要点详解

GroupCAM.py

 对于各个结构的查看，我们参见上图所示，假设查看上面标志的downsample这一模块从分类输出映射到downsample的heatmap图像，则target_layer应被赋值为backbone.layer1.0.downsample。

class GroupCAM(object):
    def __init__(self, model, target_layer="layer4.2", groups=32):
        super(GroupCAM, self).__init__()
        self.model = model
        self.groups = groups
        self.gradients = dict()
        self.activations = dict()
        # 归一化
        self.transform_norm = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
        # 反归一化
        self.Nutransform = UnNormalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
        self.target_layer = target_layer
        # 模块注册，对于各模块名称，参见CAM-demo.py中，对模型的打印
        # 对于各个模块，为了方便引用，因此，我们使用层级引用方式
        if "backbone" in target_layer:
            for module in self.model.model.model.backbone.named_modules():
                if module[0] == '.'.join(target_layer.split('.')[1:]):
                    module[1].register_forward_hook(self.forward_hook)
                    module[1].register_backward_hook(self.backward_hook)
        if 'down' in target_layer:
            for module in self.model.model.model.down.named_modules():
                module[1].register_forward_hook(self.forward_hook)
                module[1].register_backward_hook(self.backward_hook)
        if "neck" in target_layer:
            for module in self.model.model.model.down.named_modules():
                module[1].register_forward_hook(self.forward_hook)
                module[1].register_backward_hook(self.backward_hook)
        if 'car_head' in target_layer:
            for module in self.model.model.model.car_head.named_modules():
                if module[0] == '.'.join(target_layer.split('.')[1:]):
                    module[1].register_forward_hook(self.forward_hook)
                    module[1].register_backward_hook(self.backward_hook)
        if "softmax" in target_layer:
            for module in self.model.model.softmax.named_modules():
                module[1].register_forward_hook(self.forward_hook)
                module[1].register_backward_hook(self.backward_hook)

CAM的计算

    def forward(self, x, hp, retain_graph=False):
        output = self.model.track_cam(x, hp)
        cls = output["cls"]
        # idx = output["idx"]
        x_crop = output["x_crop"]
        bbox = output["bbox"]
        b, c, h, w = x_crop.size()
        self.model.model.zero_grad()
        idx = torch.argmax(cls)
        score = cls.reshape(-1)[idx]
        score.backward(retain_graph=retain_graph)
        gradients = self.gradients['value'].data
        activations = self.activations['value'].data
        b, k, u, v = activations.size()

        alpha = gradients.view(b, k, -1).mean(2)
        weights = alpha.view(b, k, 1, 1)
        activations = weights * activations

        score_saliency_map = torch.zeros((1, 1, h, w))

        if torch.cuda.is_available():
            activations = activations.cuda()
            score_saliency_map = score_saliency_map.cuda()

        masks = activations.chunk(self.groups, 1)
        with torch.no_grad():
            x_crop = torch.cat([x_crop[:, 2, :, :][:, None, :, :],
                                     x_crop[:, 1, :, :][:, None, :, :],
                                     x_crop[:, 0, :, :][:, None, :, :]], dim=1)/ 255.0
            norm_img = self.transform_norm(x_crop)
            blur_img = blur(norm_img)
            img = self.Nutransform(blur_img)
            base_line = self.model.model.track(torch.cat([img[:, 2, :, :][:, None, :, :],
                                     img[:, 1, :, :][:, None, :, :],
                                     img[:, 0, :, :][:, None, :, :]], dim=1) * 255.0)["cls"][:, 1, :, :][:, None, :, :].reshape(-1)[idx]
            for saliency_map in masks:
                saliency_map = saliency_map.sum(1, keepdims=True)
                saliency_map = F.relu(saliency_map)
                threshold = np.percentile(saliency_map.cpu().numpy(), 70)
                saliency_map = torch.where(
                    saliency_map > threshold, saliency_map, torch.full_like(saliency_map, 0))
                saliency_map = F.interpolate(saliency_map, size=(h, w), mode='bilinear', align_corners=False)

                if saliency_map.max() == saliency_map.min():
                    continue

                # normalize to 0-1
                norm_saliency_map = (saliency_map - saliency_map.min()) / (saliency_map.max() - saliency_map.min())

                # how much increase if keeping the highlighted region
                # predication on masked input
                blur_input = norm_img * norm_saliency_map + blur_img * (1 - norm_saliency_map)
                norm_img = self.transform_norm(blur_input)
                blur_img = blur(norm_img)
                img = self.Nutransform(blur_img)
                outcls = self.model.model.track(torch.cat([img[:, 2, :, :][:, None, :, :],
                                     img[:, 1, :, :][:, None, :, :],
                                     img[:, 0, :, :][:, None, :, :]], dim=1) * 255.0)["cls"][:, 1, :, :][:, None, :, :].reshape(-1)[idx]
                score = outcls - base_line

                # score_saliency_map += score * saliency_map
                score_saliency_map += score * norm_saliency_map

        score_saliency_map = F.relu(score_saliency_map)
        score_saliency_map_min, score_saliency_map_max = score_saliency_map.min(), score_saliency_map.max()

        if score_saliency_map_min == score_saliency_map_max:
            return None, None, None

        score_saliency_map = (score_saliency_map - score_saliency_map_min) / (
                score_saliency_map_max - score_saliency_map_min).data
        return score_saliency_map.cpu().data, x_crop.cpu().numpy(), bbox

CAM-demo.py

引入Softmax模块:由于在SiamCAR中ModelBuilder类中，在__init__()初始化引入各个模块中，在car_head以ModelBuilder本身并未包含softmax模块，然而在测试阶段却引入了这一模块，为了绘制heatmap图像，将softmax模块引入进来是必须的，因此，在CAM-demo中，我们将ModelBuilder定义的模型进行了二次封装，这也是我们在代码中看到多个model.model结构的原因。我们也能发现，实际上这种封装，并未破坏模型的整体结构，只不过需要在测试阶段的代码中需要将siamcar_tracker.py中，track()里的softmax去除即可。至于为什么要加入softmax，这与模型的分类分支定义有直接关系，通常，对于二分类模型，即前景和背景进行分类的模型，若分类输出为两分支，都需要经过softmax来预测分数，而在SiamCAR中恰巧对于训练和推理阶段，都引入了Softmax函数，因此将softmax作为SiamCAR的一部分是必须的。同理，对于Centerness分支，由于推理阶段进行了归一化，为了方便查看heatmap输出情况，需要将Centerness的归一化方式也作为一个模块注册进来(这里，我们没有提供其归一化的模块注册，若想查看，可以自行修改代码)，才能进行进一步分析。

class Model(nn.Module):
    def __init__(self, model):
        super(Model,self).__init__()
        self.model = model
        self.softmax = nn.Softmax(dim=1)

    def template(self, z):
        self.model.template(z)

    def track(self, x):
        outputs = self.model.track(x)
        outputs['cls'] = self.softmax(outputs['cls'])
        return outputs