CNN-tracking-文章导读

1.MDnet：learning multi-domain convolution neural networks for visual tracking

    MDnet是vot2015的冠军paper，由韩国Postech的Bohyung Han发表,测试了代码，在多个benchMark上的测试结果都比较好，但是速度比较慢，1fps,下面就开始介绍这篇paper的整体思路。

    1.1 文章特点

        a) shared layer 为offline train, unshared layer的parameter为online train.

        b) 在offline阶段，fc6层有多个branches,每一个branch对应一种video/sequence[paper 中取名叫 domain-specific layers],即在进行train iteration时，每一次iteration,只有一个branch的fc6响应，所以需要每一次迭代的data-batch[文中叫mini-batch]要与相应的fc6_K相对应[原文为：Each domain in MDNet is trained separately and iteratively while the shared layers are updated in every iteration]。

        c) online阶段，将fc6_1~fc6_K换为一个fc6，然后固定conv的参数不变，训练fc6的权重，病fine-tune fc4~fc5的权重。

        d) online阶段，训练数据利用到hard negative的思想，将negative samples 排序，选取其中score大的样本（更接近正样本的negative samples）.

    1.2 details

        a) shared layer的训练流程[offline train]如下图：

 

        红色部分为domain-specific layers,offline train 时，选取positive&negative的规则见paper的4.4节[也是根据IoU来选]。network并不深，文章分析了采用这种VGG-M network的原因：deep为高级的语义特征，浅层为具有区分的特征。

        b) 对于mini-batch迭代时与fc6对应问题：每次iteration只利用一个sequence[假设时第k个sequence]来生成mini-batch,并激活对应的fc6_k，其他的fc6_i被抑制，所以特别注意有这么一个对应关系。

        c) online 阶段网络调整：将Figure1中的红色fc6_1 ~fc6_k统一换成一个fc6,因为在tracking时，只用一个sequence。训练时，固定conv的参数不变，训练fc6的参数，并fine-tune fc4,fc5的参数。因为原文中将conv3的输出作为特征，并不是fc5的输出作为特征，因为fc5输出的特征更具有语义性。最后网络输出score

        d) online

            阶段数据选取规则[hard minibatch]：原文The hard negative examples are identified by testing M− (>> M_h − ) negative samples and selecting the ones with top M_h- positive scores.利用Gaussion 分布来选取候选框[translation]，并做一定的scale处理[具体设置见paper]

           update策略：采用Long-term（T_l） & short-term(T_s)更新，原文：Long-term updates are performed in regular intervals using the positive samples collected for a long period of time while short-term updates are conducted whenever potential tracking failures are detected—when the estimated target is classified as background—using the positive samples in a short-term period。

            Bounding box regression:利用conv3出来的特征做regression.paper 只是利用了first frame来train regressor[time cosuming].

            parameter details: T_l=100,T_s=20[其他参数设置见原paper]

2. Fcnt:Visual Tracking with Fully Convolutional Networks

    由港中文王晓刚发表，调试了代码，速度比MDnet快3倍左右，3fps.效果比MDnet差点，比一般的传统算法较好。

    2.1 文章特点

        a) 同样时offline pre-trained

        b) 主要探索了不同Layer的特征具有不同的表达[基于VGG-net]，toper layers 更多的时语义特征，而lower更多的discriminative information。

        c) 然后在b)的基础上，运用不同的layers的feature map来做tracking.选择某些层的feature map可以去掉一些干扰[原文这么说得]

    2.2 details

        a)首先作者进行实验说明不同layers的feature map 有不同的意义，toper layers 更多的类别信息[对应选取conv5_3的特征]，lower更多间内差别的信息[对应选取conv4_3的特征]。并且发现特征是稀疏的[很多背景的响应为zores,所以用稀疏矩阵更好]，所以作者利用第一帧的mask和卷积的特征F，来计算稀疏矩阵C,之后，C固定，在之后的帧中，利用F和C来反求mask，公式如下：

        b) paper中提出的方法如下：

          步骤为：

                      根据conv5_3和conv4_3筛选feature map（paper中4.1节有公式，更具对loss function的贡献来选择）.因为conv4_3和conv5_3有很多个channels的feature map 它要选择一个最好的feature map 最为对应Gnet和Snet的输入。

                      利用conv5_3的特定feature map生成Gnet,conv4_3的特定feature map生成Snet,在Figure5中（c）,(d)的两层卷积是一样的，Snet和Gnet的update策略不同（4.3节有update的策略，fix Gnet, update Snet very 20 frames，在更新Snet时，加入第一帧作为监督，因为只有第一帧是可信的）。

                      对于input，将候选区域（既有前景又有背景）crop后feed给VGG Net.

                      根据Snet和Gnet来确定跟踪的结果（4.2节有Location的策略,mentor paper sharing时提到，其实就是求概率score的最大，写paper时直接这么写太low）。

3. Learning to Track at 100 FPS with Deep Regression Networks

    这篇文章也是基于cnn的tracking,貌似这篇文章没有被收录。思想很简单，下面说一下基本思想

    3.1 文章特点

        a) 针对以前有online的cnn-tracking,本问提出offline-cnn-tracking[就连最后的fc都是offline-cnn，可以看出此处会有些效果不好]，由于时offline，所以速度很快，100fps.

        b) 网络的输出：t_frame 相对 t-1_frame的位移坐标（相当于已经回归后的position）。

    3.2 details

        a) 训练的流程图如下：

 

        图中，current frame 的crop会比 previous frame的object region大一些（paper中有一个策略），Conv Layers采用的是AlexNet的minor版，卷积后，将current和previous的特征输出合在一起为n*1的向量，然后fc层，最后以相对previous frame的center位置的评议向量（坐标）为输出。由于很简单，就不多说了。

4.Online Tracking by Learning Discriminative Saliency Map with Convolutional Neural Network

    cnn-tracking的思路大同小异.

    4.1 文章特点

        a) paper采用RCNN特征学习为offline,以fc6输出为特征，然后online的SVM分出正负sample。

        b) 定位：利用SVM的weight和SVM分类出来的positive samples反投影为Target-specific features,进而得到saliency map，利用Generative model来定位。

        c) update SVM&Generative model.

    4.2 details

        a) 流程图：

       图中，sample features是fc6层出来的特征，这一步为offline,在SVM时，正负样本也是利用IoU来选取。

        那么怎么利用SVM weights 和分类后的positive sample来获取显著图呢，显著图的直观意义为：The class-specific saliency map of a given image I is the gradient of class score Sc(I) with respect to the image as：

上式求解过程见原paper,求解会用到SVM weight.最后利用概率求最佳位置。

5.DeepTrack: Learning Discriminative Feature Representations Online for Robust Visual Tracking

    由于时间关系，先上传流程图，有时间在补充每一步的细节。fps1.5~4.0

    5.1 文章特点

        a) CNN online:注意有positive samples pool,从中挑选样本来训练,以及模型更新的策略，生成不同的cues

        b) boss funtion

        c) SGD.

    5.2 details(以后补充)

        输出：2D,表示正负score,利用指数函数来增加score的差距

        cues之后的特征合在一起

        输入图像灰度归一化到[0,10]

        online 更新的策略：long-term和short-term,long-term从positive sample pool 中按照一定概率抽取，负样本同理。

        最后按照mini-batch的误差大小来确定是否更新模型。