文獻：DaSiamRPN: Zheng Zhu, Qiang Wang, Bo Li, Wu Wei, Junjie Yan, Weiming Hu."Distractor-aware Siamese Networks for Visual Object Tracking." ECCV (2018). [paper][github]

文章主要貢獻

1.訓練數據的擴充

加入Detection pair (ImageNet,COCO中做數據增廣)

negative simple in same categories (Called Distractor-aware Training)

negative simple in different categories (Called Distractor-aware Training)

2.Distractor Model

• 引入Distractor Model,將Proposal與exemplar的相似性度量得分減去所有之前預先得到的Distrator(NMS將網絡提出的proposal去冗余,去掉classification score最高的proposal，在剩下的Distrator set 中保留score大于給定閾值的proposal)與當前proposal 的score(相似性度量)的加權和的平均

  3.long term Tracking

• 當追丟時用local to global stategy 恒定step迭代的增加搜索區域的大小

  具體而言

  ## 1. 擴充數據集

  detection pairs	negative pair from same categoriess	negative pairs from different categories

  2. Distractor Model

  TEST:\(\Gamma(n)=(n-1)!\quad\forall n\in\mathbb N\)
  傳統的SiamTracking是用求相似性度量用以下公式：
  \[f(x)=\varphi(x)*\varphi(z)+b\cdot\mathbf{1}\]
• 作者提出將NMS將網絡提出的proposal去冗余,去掉classification score最高的proposal，在剩下的Distrator set 中保留score大于給定閾值的proposal)與當前proposal 的score(相似性度量)的加權和的平均
  \[q=\mathop{\arg\max}\limits_{p_{k}\in\mathcal{P}} f(z,p_{k})- \frac{\hat{\alpha}-\sum_{i=1}^{n}\alpha_{i}f(d_{i},p_{k})} {\sum_{i=1}^{n}\alpha_{i}}\]
  \(\mathcal{P}\) 是score在top-k的proposal, \(\alpha_{i}\)是每個干擾proposal的權重(paper中是全為1), \(d_{i}\)是第 \(i\) 個 distractor proposal

• 因為自相關操作是線性的，則將\(\varphi(p_{k})\)提出來：

\[q=\mathop{\arg\max}\limits_{p_{k}\in\mathcal{P}}(\varphi(z)-\frac{\hat{\alpha}\sum_{i=1}^{n}\alpha_{i}f(d_{i},p_{k})} {\sum_{i=1}^{n}\alpha_{i}})*\varphi(p_{k})\]

3.Long term Tracking

• 當追丟時用local to global stategy 恒定step迭代的增加搜索區域的大小

  to be continued

轉載于:https://www.cnblogs.com/Zak-NoS/p/10947092.html

總結

以上是生活随笔為你收集整理的论文阅读 | DasiamRPN的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。