SiamBAN论文学习

论文来源

论文来源：http://xxx.itp.ac.cn/pdf/2003.06761v2.pdf
开源项目：https://github.com/hqucv/siamban

参考文献：
SiamBAN详细分析，一看就懂！
[阅读笔记][CVPR2020][SiamBAN] Siamese Box Adaptive Network for Visua

论文背景

SiamBAN是今年CVPR中效果最好的跟踪器之一，研究它的原理更加能够很好的帮助我们掌握目前跟踪器发展的趋势。
SIamBAN，按照意思分析是孪生自适应框。“孪生”，说明该跟踪使用了Siamese网络架构；而“自适应框”，则是该跟踪器采用了anchor-free的策略，不预先设定anchor框的尺寸，使得框拥有更大强大的自由度。
通过分析论文和代码，我认为SiamBAN就是一个优化版的SiamRPN++，最大的创新点在于anchor-free的引用，去掉了预定义的anchor，从而使得模型整体的参数下降，使得速度得到进一步的提升。
对于SiamBAN的原理分析，我准备采用三个方面：网络框架、训练、跟踪。

主要贡献

1. 新的框架：SiamBAN，实现使用深度卷积神经网络的end-to-end的离线训练
2. anchor-free的架构，no-prior box的设计避免了与候选框相关的超参数，使跟踪器更加灵活和通用。
3. 不仅达到了最先进的效果，并且在多个数据集达到40FPS（VOT2018，VOT2019，OTB100，NFS，UAV123，和 LaSOT）。

论文分析

网络框架

与SIamRPN++相似，或者说网络框架基本相同。不过不同点在于SiamBAN中引入了空洞卷积的原理，经过实验证明，空洞卷积能够增大感受野，提升跟踪性能。
SIamBAN的网络框架如下图所示：

创新点一：Box Adaptive Head

对于每一个分类图P cls w×h×2或回归图P reg w×h×4上的每个位置，我们可以将其映射到输入搜索patch。例如，与搜索片上的位置相对应的位置（i，j）为[⌊wim2⌋+（i-⌊w 2⌋）×s，他2⌋+（j−h 2⌋）× s]（表示为（pi，pj）。wim和他代表输入搜索补丁的宽度和高度，s代表网络的总跨度），它是位置（i，j ）。对于回归，基于锚的跟踪器[21、52、20]将位置（pi，pj）作为锚框的中心，然后回归位置（pi，pj），宽度aw和高度ah。也就是说，对于位置（i，j），回归可以调整其所有偏移值，但是分类仍然在原始位置执行，这可能导致分类和回归中的不一致性。因此，我们不调整位置（pi，pj），仅计算其到边界框的偏移值。另外，由于我们的回归目标是正实数，因此我们在回归模块的最后一级应用exp（x）将任何实数映射到（0，+∞）。

大概的理解是anchor-base的方法中对于特征图上的每一个位置(i,j)，将其映射到搜索patch上为(pi,pj)，回归分支中将这个位置作为anchor的中心去预测偏移量，这时候回归出来的结果已经改变了其中心位置，而分类分支依然在原始的中心位置进行，可能会导致分类和回归的不一致。

创新点二：Ground-truth

如果位置（pi，pj）落在椭圆E2内，则用正号标记，如果它落在椭圆E1以外，则为其分配负号，并且落在椭圆之间。 E2和E1，请忽略它。

创新点三：Anchor Free

论文流程

训练部分：

1. 将搜索补丁和模板补丁输入对应的网络分支，在第4、5个卷积模块中添加空洞卷积，膨胀因子分别设置为2和4。
2. 分别取出搜索分支和模板分支中第3、4、5卷积模块的卷积结果。为了减少计算量，作者只选取了模板分支卷积结果的7 × 7 区域。因为当输入补丁的尺寸为127 × 127，输出的特征图的尺寸为15 × 15,这时候选取[4:11]的区域，完全可以代表模板中选定的物体。
3. 将相对应的卷积结果进行互相关操作。比如，搜索分支第3卷积模块的卷积结果应该与模板分支第3卷积模块的卷积结果进行互相关，其中模板分支的卷积结果作为卷积核。那么，最后获得了三份互相关的特征图。
4. 将这三份互相关特征图合并为一张。SiamBAN在代码中使用的方法是取平均，即一个位置的三个值相加除以三。最后得到了一份互相关特征图。
5. 实际上，当运行到第4步的时候，就可以发现其实网络运行就可以结束了。但是作者为了能够减少计算量， 将互相关图的维度减少到256.（neck）

跟踪部分

1. 输入跟踪视频
2. 划定需要跟踪的目标
3. 跟踪器初始化（第一帧的处理）
   1. 截取模板补丁（方法与SiamRPN相同）
   2. 将模板补丁输入网络，得到第3、4、5层的卷积结果，并且对卷积结果进行处理（降维和模板特征图截取7x7区域）
4. 进行跟踪
   1. 截取搜索补丁（方法与SiamRPN相同）
   2. 将搜索补丁输入网络，得到第3、4、5层的卷积结果
   3. 与模板补丁的三个卷积结果进行相关卷积，并且将得到的三个互相关特征图进行加权平均，得到分类特征图和偏差坐标图。
   4. 利用上述公式（回归训练中），将得到的偏差坐标图转换成多个预测框
   5. 施加平移惩罚和尺度惩罚，从多个预测框中获得最佳跟踪框，从而实现跟踪。

论文翻译

Abstract

1. Introduction

2. Related Works

2.1. Siamese Network Based Visual Trackers

2.2. Anchor-free Object Detectors

3. SiamBAN Framework

3.1. Siamese Network Backbone

3.2. Box Adaptive Head

3.3. Multi-level Prediction

3.4. Ground-truth and Loss

3.5. Training and Inference

4. Experiments

4.1. Implementation Details

4.2. Comparison with State-of-the-art Trackers

4.3. Ablation Study

5. Conclusions