Paper：Fully-Convolutional Siamese Networks for Object Tracking.
https://arxiv.org/abs/1606.09549
SiamFC为ECCV2016发表的文章所提出，可以说是为后面深度学习目标跟踪方法开辟了新的道路。在视觉目标跟踪还是相关滤波器(Correlation Filter)当道的时候，已经有很多将深度学习应用到跟踪领域的尝试。包括使用预训练卷积网络(如VGG)提取卷积特征，再将卷积特征与相关滤波器结合的方法(如HCFT, DeepSRDCF, 以及后来著名的CCOT和ECO等)，完全使用卷积网络的方法(有两个名声比较响亮，GOTURN和SINT，GOTURN是第一个高速深度跟踪器，GPU上达到100FPS，SINT可以说是第一个将Siamese网络应用到跟踪领域的，而且后续还发展出了SINT++)，其它基于深度学习的方法还有使用RNN来预测目标绝对位置的。
之后所以后来SiamFC胜出的原因，主要可以归纳为：
- 离线训练，跟踪过程中无微调，跟踪速度在GPU上达到80+FPS。
- 采用了大规模的ImageNet数据集进行训练，不仅使得网络性能更好，也避免了在跟踪数据集上训练造成的过拟合。
- SiamFC是全卷积的，具有平移不变性，待搜索图像不需要与样本图像具有相同尺寸，可以为网络提供更大的搜索图像作为输入，使得定位过程能够一次进行，在密集网格上计算所有平移窗口的相似度。
虽然现在到了2019年，但是为了更好理解当前Siamese网络类跟踪方法，还是很有必要回顾下SiamFC。
1. 相似性(Similarity)学习
SiamFC方法的核心思想很简单，就是将跟踪过程规划为一个相似性学习问题。即学习一个函数 f(z, x) 来比较样本图像 z 和搜索图像 x 的相似性，如果两个图像相似度越高，则得分越高。为了找到在下一帧图像中目标的位置，可以通过测试所有目标可能出现的位置，将相似度最大的位置作为目标的预测位置。
1.1全卷积Siamese结构
在深度学习中处理相似度问题最典型的是采用Siamese架构，SiamFC的网络结构如下图：
这里 z 为模板图像，x 为搜索图像，φ 为转换(transforamtion)函数，目的是提取图像的特征，而 * 号代表互相关操作。上图可以写成函数形式：
这里b1表示bias，在score map的每个位置都加上b。
1.2 网络训练
作者采用的是判别方法(discriminative approach)，即在正负样本对上训练网络，采用的是logistic loss
这里v为score map中每个点的真值，同时y∈{+1, -1}为相应点的标签，其中标签按下式生成：
采用的训练样本对如下图所示：
在训练时使用的图像对是由一个模板图像和一个尺寸更大的搜索图像组成。这将会得到一个score map，这里定义score map的损失为所有点损失的均值。从上面训练样本对以及标签可以看到，搜索图像中仅有少部分正样本，而大部分为负样本，这就存在一个样本不均衡的问题。所以最终SiamFC中采用的损失函数为score map上每个点损失的加权平均，从而解决不均衡问题。(当然这里还存在easy样本和hard样本不均衡的问题，这点在近年来的论文中采用了对抗性学习技术来生成更多的hard样本来进行解决，包括SINT++，VITAL等)
1.3 采用的数据集
之前的很多方法，包括MD-Net，SINT，GOTURN都使用了属于基准数据集ALOV/OTB/VOT中的视频序列，这种方式已经被VOT所禁止，因为它可能会造成对基准数据集中场景和物体的过拟合。因此使用ImageNet数据集对用于跟踪的卷积网络进行训练也是该方法的一重大贡献。该方法使用的是ILSVRC2015数据集，包含了大约4500个视频，包含大于100万帧标注的视频帧。
2. 实验
2.1 细节
- 训练：直接使用随机梯度下降(SGD)最小化损失函数来求解嵌入函数参数；训练50个epoch，每个epoch有50,000个样本对；mini-batch设置为8；学习率从10^−2 衰减到 10^−8。
- 跟踪：样本图像特征φ(z)只在初始帧计算一次；用双三次插值将score map从17×17上采样到272×272。
2.2 评估
上图为OTB-13基准集上的测试结果，尽管SiamFC方法非常的简单，但已经可以看出其显露出的优势。跟踪速度：3尺度86fps，5尺度58fps。(其实验平台NVIDIA GeForce GTX Titan X and an Intel Core i7-4790K at 4.0GHz)
2.3 注意事项
我们最后讨论一点骨干网络(Backbone)，可以看出SiamFC采用的骨干网络为AlexNet，该网络有个很大的特点是没有在网络中引入padding，这点很重要，因为这保证了网络的全卷积性，也即平移不变性，保证了计算的准确性。我们知道AlexNet是属于相对比较简单的网络，其它复杂的网络包括VGGNet，ResNet等却包含了padding，这也导致许多其它学者尝试使用更复杂的Backbone来试图提升跟踪性能都失败了，直到后来对相应的网络进行改进，保证平移不变性，才使得跟踪性能得到了进一步的提升，这方面的工作包括今年的SiamDW，SiamRPN++等。