SiamDW论文详解: 张志鹏- B站课程题目:基于siamese网络的单目标跟踪 CVPR2019S

https://www.bilibili.com/video/av52113951

这一系列的看SiamFC和siamRPN即可

SiamDW论文详解: 张志鹏- B站课程题目:基于siamese网络的单目标跟踪 CVPR2019S_第1张图片

 

挑战:
1光变 2遮挡 3背景干扰 4尺度 5旋转 6运动模糊

SiamDW论文详解: 张志鹏- B站课程题目:基于siamese网络的单目标跟踪 CVPR2019S_第2张图片

1 outline

1背景

2动机

3 分析,指导路线

4 方法 5实验 6讨论

2 siamese

SiamDW论文详解: 张志鹏- B站课程题目:基于siamese网络的单目标跟踪 CVPR2019S_第3张图片

结构

1 共享权重

2 最早用于metric learning,检索,对比相似性,都经过同1网络,计算相似距离(欧式,余弦)

3 天然增加样本数量,成对输入3000张图, 3000*2999种配对

应用

1 人脸确认,如face net 

2 行人Re-ID

3 siamese跟踪器背景

1 siamese最早起始于 陶然的SINT

抽取候选目标,经过同一网络与temple作比较,选择距离最小

问题是很多比对, 很慢

SiamDW论文详解: 张志鹏- B站课程题目:基于siamese网络的单目标跟踪 CVPR2019S_第4张图片

SiamDW论文详解: 张志鹏- B站课程题目:基于siamese网络的单目标跟踪 CVPR2019S_第5张图片

2 Simases FC

16年ECCV WORKSHAOP

解决慢的问题滑动窗口做卷积,一个位置一个位置比较相似性
255*255原图中一个个区域抽象成一个一个特征向量,组成22*22搜索区域
6*6是temple抽象出来的嵌入特征,通过滑窗做卷积,做对比,得到追踪的featuremap
此方法极大增加了速度。

 

SiamDW论文详解: 张志鹏- B站课程题目:基于siamese网络的单目标跟踪 CVPR2019S_第6张图片
SiamDW论文详解: 张志鹏- B站课程题目:基于siamese网络的单目标跟踪 CVPR2019S_第7张图片
 

3 SiamRPN 李博  2018CVPR

siamFC的缺点:
是没有合理地尺度估计,输入三个scale的图,通过网络做对比,选尺度相应最大的

siamRPN借鉴检测里面的RPN去提取框,再在这些框中在进行回归,得到最大响应值

特点:在FC基础上多接了一个HUB(回归的RPN), 上面的一支类似于FC,不过是用来选anchor的。

 

SiamDW论文详解: 张志鹏- B站课程题目:基于siamese网络的单目标跟踪 CVPR2019S_第8张图片

SiamDW论文详解: 张志鹏- B站课程题目:基于siamese网络的单目标跟踪 CVPR2019S_第9张图片

4 动机

SiamFC siamRPN  都用的Alex浅网络

alex   还是2012年代的
深度学习时代,有点过时
 但是用新的backbone网络(vgg)反而掉点

SiamDW论文详解: 张志鹏- B站课程题目:基于siamese网络的单目标跟踪 CVPR2019S_第10张图片

1 分类任务strid一般32, 更精确定位任务的strid通常不会加那么深,通常会是16,8

2 FC把Alex的padding全去掉了,而resnet的结构需要pading

3 输出大小不同

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

你可能感兴趣的:(SiamMask)