GlobalTrack:A Simple and Strong Baseline for Long-term Tracking学习笔记

GlobalTrack学习笔记

论文：https://arxiv.org/abs/1912.08531
代码：https://github.com/huanglianghua/GlobalTrack

1.背景

  长期跟踪的一个关键在于更大的区域（通常是整个图像）中搜索目标，以应对目标丢失。作者提出GlobalTrack进行全局实例搜索的跟踪器；GlobalTrack基于two-stage的目标检测器，根据单个查询图像作为指导，对任意实例进行全图像和多尺度搜索。最重要的是不需要在线学习，也不需要对位置或尺度变化进行惩罚，无需尺度平滑。

  从上图我们可以发现ATOM、SiamRPN++和DaSiam_LT跟踪方法在跟踪目标丢失后的无法重新跟踪目标，由于这些跟踪方法都遵循了局部性假设（局部性假设指出了在时间的一致性假设下，目标的位置和尺度都是平缓变化的），因此这些跟踪方法只会在局部进行检测，所以导致了这些方法不适用于长期跟踪。
  然而本文作者考虑到在位置和尺度突然变化、目标丢失以及短暂的跟踪失败情况下，这种局部性假设是不存在的，因此作者放弃了在局部检测的思想转向了全局检测，从而可以很好的解决问题，并适用于全局跟踪。

2.网络模型分析

2.1 整体网络结构

  基于Faster-RCNN的思路，GlobalTrack跟踪方法提出了两个模块：用于生成query-specific候选对象的query-guided区域生成网络（QG-RPN），以及对候选对象进行分类的query-guided区域卷积神经网络（QG-RCNN）并产生最终的预测。

  在QG-RPN和QG-RCNN的特征调制部分中，对backbone和ROI输出的查询和搜索图像特征之间的相关性进行编码，指导检测器定位到query-specific的实例。
  在跟踪过程中，将QG-RCNN的top-1预测作为结果。在训练阶段，使用与Faster-RCNN中相同的分类和定位损失，作者进一步提出了一种交叉查询损失，以提高GlobalTrack针对干扰物/相似物的鲁棒性，把同一图像上不同查询的损失平均化，迫使模型学习查询与预测结果之间的依赖性。

2.2 Query-guided RPN

  我将结合RPN和GA-RPN来讲解QG-RPN，

  从上图我们可以发现，在不同精确度下QG-RPN的召回率相较于RPN和QA-RPN都有了明显的提升，其中AR&k指的是取前k个较高精确度的候选框。
RPN思想：
  RPN的思想很简单，它主要通过一个3×3的卷积来整合特征，在分别使用两个1×1卷积来分别得到置信度得分图和位置偏移，如下图所示，

  其中置信度得分图是用来判断每个像素点上是否包含目标，而位置偏移是将对每个像素点上的建议框（即anchor）进行调整。

GA-RPN思想：
  主流的框架大多数都是依赖锚点的均匀分布，具体来说就是，一组具有预定义比例和长宽比的锚将被部署在大小为W×H，步幅为s的特征图上。由于许多锚放置在不太可能存在目标物体的区域中，因此该方案效率不高。 另外，这种手工挑选的先验不切实际地假设对象具有一组固定形状（即，比例和纵横比）。因此GA-RPN方法通过开发一种更有效的锚定方案，以考虑对象位置和形状的不均匀分布来安排具有可学习形状的锚。

从上图我们可以看出，GA-RPN方法采用两个分支分别预测anchor的位置和形状，然后结合在一起得到 anchor。之后采用一个 Feature Adaption 模块进行 anchor 特征的调整，得到新的特征图供之后的预测（anchor 的分类和回归）使用。整个方法可以 end-to-end training，而且相比之前只是增加了 3 个 1x1 conv 和一个 3x3 deformable conv，带来的模型参数量的变化很小。

位置预测：
  位置预测分支的目标是那些区域应该作为中心点来生成anchor，这是一个二分类问题，本文将feature map的区域分为中心区域，外围区域和忽略区域，大概思路就是将 ground truth 框的中心一小块对应在 feature map 上的区域标为物体中心区域，在训练的时候作为正样本，其余区域按照离中心的距离标为忽略或者负样本。通过位置预测，我们可以筛选出一小部分区域作为 anchor 的候选中心点位置，使得 anchor 数量大大降低。

形状预测：
  形状预测分支的目标是给定anchor中心点，预测最佳的长和宽，这是一个回归问题。按照往常做法，当然是先算出 target，也就是该中心点的 anchor 最优的 w 和 h，然后用 L1/L2/Smooth L1 这类 loss 来监督。但是target并不是很好计算，实现起来也很困难，因此本文采用IoU作为监督来学习w和h，既然算不出最优的w和h，而计算IoU又是可导操作，因此我们让网络自己去优化使得IoU最大。
  然而这里存在一个问题就是对于某个anchor，应该优化和哪个groundtruth的IoU，对于以前常规的 anchor，我们可以直接计算它和所有 ground truth 的 IoU，然后将它分配给 IoU 最大的那个 gt。但是由于这里的w和h是未知的，因此我们将这个 anchor 和某个 gt 的 IoU 表示为$VIoU(a_{wh},gt)={\max }_{w>0,h>0}Io{U}_{normal}(a_{wh},gt)$,这里的w和h都是经过采样获得的，文中采样了9组，实验证明最终结果对于采样的组数并不敏感。

生成anchor：
  在得到 anchor 位置和中心点的预测之后，我们便可以生成 anchor 了，如下图所示。这时的 anchor 是稀疏而且每个位置不一样的。采用生成的 anchor 取代 sliding window，AR (Average Recall) 已经可以超过普通 RPN 4 个点了，代价仅仅是增加两个 1x1 conv。

Feature Adaption：
  然而上面的做法还存在一些不合理的地方，一方面，在同一层 conv 的不同位置，feature 的 receiptive field 是相同的，在原来的 RPN 里面，每个像素都表示相同形状的 anchor，但是现在每个 anchor 都有自己独特的形状大小，和 feature 就不是特别好地 match。另一方面，对原本的特征图来说，它并不知道形状预测分支预测的 anchor 形状，但是接下来的分类和回归却是基于预测出的 anchor 来做的。
  我们增加了一个 Feature Adaption 模块来解决这种问题。思路很简单，就是把 anchor 的形状信息直接融入到特征图中，这样新得到的特征图就可以去适应每个位置 anchor 的形状。我们利用一个 3x3 的 deformable convolution 来修正原始的特征图，而 deformable convolution 的 offset 是通过 anchor 的 w 和 h 经过一个 1x1 conv 得到的。
QG-RPN：
  QG-RPN是为了得到与目标相关的候选区域，关键是利用相关性在backbone特征中对查询信息进行编码。$z\in R^{k\times k\times c}$表示查询实例的ROI特征，$x\in R^{h\times w\times c}$表示搜索图像特征，其中h，w和k代表特征尺寸；目的是获得一个$\hat{x}\in R^{h\times w\times c}$，用于编码z和x之间的相关性：
⊗表示卷积，$f_z(z)$是将z转换为卷积核，该卷积核在特征$f_x(x)$上生成z与x之间的相关性。$f_{o}ut$用于确保输出$\hat{x}$具有与x相同的大小。$f_z$是零填充的k×k卷积核，将在z转换为1×1的卷积核，$f_x$是具有填充的3×3卷积层，而$f_{out}$是1×1卷积层，将特征通道变回c。这部分不使用归一化和激活函数。
由于$\hat{x}$具有与x相同的大小，因此可以直接重用RPN的模块并执行后续操作即分类和定位。使用相同的RPN损失来训练QG-RPN，其中分类$L_{cls}$和定位L_{loc}损失分别是交叉熵和smooth L1；QG-RPN的总损失为:

其中$p_i和s_i$是第i个proposal的预测得分和位置，$p_i^{\ast }和s_i^{\ast }$是groundtruth。λ是平衡权重。

2.3 Query-Guided R-CNN

  这里我将结合R-CNN来说明QG R-CNN，
R-CNN思想：

  首先，通过主干特征提取网络，我们可以获得一个公用特征层，当输入图片为600x600x3的时候，它的shape是38x38x1024，然后建议框会对这个公用特征层进行截取。其实公用特征层里面的38x38对应着图片里的38x38个区域，38x38中的每一个点相当于这个区域内部所有特征的浓缩。
  建议框会对这38x38个区域进行截取，也就是认为这些区域里存在目标，然后将截取的结果进行resize，resize到14x14x1024的大小。然后再对每个建议框再进行Resnet原有的第五次压缩。压缩完后进行一个平均池化，再进行一个Flatten，最后分别进行一个num_classes的全连接和(num_classes)x4全连接。num_classes的全连接用于对最后获得的框进行分类，(num_classes)x4全连接用于对相应的建议框进行调整。
  通过这些操作，我们可以获得所有建议框的调整情况，和这个建议框调整后框内物体的类别。
QG R-CNN
  在第二阶段，利用QG-RPN生成的proposal，根据ROI特征refine其标签和边框的预测。使用Query-Guided R-CNN（QG R-CNN）对这些proposal进行分类和边框优化。给定查询$z\in R^{k\times k\times c}$的ROI特征和第i个proposal $x_i\in R^{k\times k\times c}$的ROI特征，通过特征调制对它们的相关性进行编码:

其中$\odot$表示哈达玛积，$h_x和h_z分别是x_i和z$的特征投影，$h_{out}输出特征\hat{x}。h_x和h_z$是带填充的3×3卷积层，$h_{out}$为1×1卷积层，输出c个通道。
获得调制特征${\hat{x}}_i$之后，对proposal进行分类和定位以获得最终的预测。 在训练过程中，类似于QG-RPN使用交叉熵和smooth L1作为损失函数：

其中$N_{p}rop$是proposal的个数。

$p_i和s_i$是估计的置信度和位置(中心和比例偏移)，$p_i^{\ast }和s_i^{\ast }$是groundtruth；λ是平衡权重。

2.4 Cross-query Loss

交叉查询损失，给定一对具有M个实例{1,2，…，M}的图像，可以构造M个query-search图像对，从而计算出M个QG-RPN和QG-RCNN损失；对这些查询损失进行平均，获得一对图像的最终损失：

其中

3.实验结果

LaSOT:

TLP & TrackingNet：