UpdateNet:Leaning the Model Update for Siamese Trackers 【论文笔记】

写前bb

最近在一直纠结Siamrpn的复现，由于对RPN网络和目标框回归的过程不是很了解，希望这周能搞清楚并且复现出来吧。看到公众号有推送ICCV2019的论文集，瞅了眼发现这篇文章名字异常显眼，立马下下来看起来！搜了下网上好像已经有相关的阅读笔记（还是我看的晚一点），我也挤挤时间Markdown一下啦。

Abstract

目前，现有的更新模板策略一般是线性组合先前的几帧，这样会导致随着时间的推移，信息大量的减少。（应该是说没有很好的去学习到前面的信息）因此，我们提出的方法是可以主动学习如何更新，而不是手动去设计更新规则，提出的方法是：UpdateNet。用了VOT2016,VOT2018,LaSOT和TrackingNet这些数据集来验证我们的方法。

1.Introduction

首先分析了一下已有的两种跟踪方法：基于Siamese网络的方法，还有一种是基于检测的跟踪方法。本文针对基于Siamese网络的方法，这是因为这种方法跑的速度和精度都有一定的保障。（然后讲了一下Siamese类的方法一般是怎么工作的，可以参考下我之前的那篇介绍Siamfc的论文笔记，这里就不过多叙述了。）目前大多基于Siamese网络的跟踪器处理更新问题，都是采用简单的线性更新策略，使用固定的学习率。（average这个操作不是很清楚）然而这种方法有个缺点，就是不能满足改变更新的需求并且运用到可能出现所有的场景中，并且这种更新是在全空间维度是固定的，这样就不能够做到局部的部分更新。举例：局部遮挡问题，这种问题就不能被很好地解决，因为这需要对模板的特定部分进行更新。

在本文中，我们提出的方法可以看做是一种函数，需要输入（1）第一帧的groundtruth模板。（2）由所有先前帧得到的累加模板。（3）在当前帧中所预测目标位置处的模板。我们将该UpdateNet结合SiamFC和DaSiamRPN来进行测试。

2.Related work

跟踪的框架 :目前现有的跟踪框架可以分为两类，基于检测和基于模板匹配的。基于检测的跟踪器是将目标的定位问题变成分类问题，通过目标前景和背景的图片来学习分类器从而得到决策边界。另一种方法是基于模板匹配的，通常是利用Siamese网络。

目标模板的更新 :目前的跟踪器用的更新策略方法有以下这些：（1）简单的线性拟合 （效果不好）（2）固定的更新策略（只用了最近的几帧信息）（3）利用先前一系列的frames来更新模板（计算量太大了）（4）ECO的更新策略（还是只用了线性拟合）然后列举了一些论文使用的方法，如使用LSTM来进行更新(效果不是很好)，结合transformation matrix+regularized linear regression（存在边界效应）。最后还是我们提出的方法是最好的~

3.Updating the object template

我们在这节中，回顾了跟踪采用的标准更新机制，提出它们的缺点，然后介绍我们的方法是怎么解决这些问题的。

标准的更新方法 ：最近一些跟踪方法使用了简单的averaging策略来更新目标表观模型（Given a new data sample不是很明白…）这种策略是源自于早期的跟踪方法，因为其能产生效果还行的结果，所以一直被当做在线更新的标准方法。在该方法中，模板利用随时间呈指数衰减的权值进行更新（这句话没有看很懂）。指数权值的选择由以下用来更新模板的递归公式产生：

$i$是帧数，$T_i$是仅利用当前帧计算得到的模板样本（后面再仔细解释下），${\tilde{T}}_i$是累积模板，更新率$\gamma$通常取一个固定小的数值（如0.01），依据目标在相邻帧中表观变化平稳的假设下。关于Siamese跟踪器，$T$指的是全卷积特征提取器在某一帧中所提取到的目标表观模板（我认为在这里指的应该是模板的特征）。尽管模板平均（template averaging不知道是什么意思）是一种简单的整合新信息的方法，但是还是有以下几个严重的缺陷：

• 给每个视频分别设定固定的更新率。
• 针对所有的空间维度的更新是固定的，包括通道维度，这样不能针对模板的部分区域进行更新，很难解决部分遮挡问题。
• 更新的时候逐步丢失掉$T_0$的信息，毫无疑问，它包含的信息才是标答。
• 更新机制只是对先前表观模板进行一个简单的线性组合。

学习更新：我们提出的能够学习可适应更新策略模型能够解决上述提到的问题。为了解决上述的问题，我们给出一个通用的函数来更新模板：
（公式中每个变量的意义在之前已经解释过了）这个函数用卷积神经网络来表示，我们把这个网络叫做UpdateNet。

运用 UpdateNet的跟踪框架

我们通过第一帧的groudtruth得到$T_0^{GT}$ ；通过用先前所有的帧${\tilde{T}}_{i-1}$预测到当前帧$i$目标的位置（紫色的虚线），然后在这个区域内提取特征（蓝色的实线）。我们将$T_0^{GT}$ ，${\tilde{T}}_{i-1}$和$T_i$的特征当做网络的输入，输出新的累积的模板${\tilde{T}}_i$。对于第一帧，我们把${\tilde{T}}_{i-1}$和$T_i$设置为$T_0^{GT}$ 。同时，由于我们的输入只有$T_0^{GT}$这个是groundtruth，所以我们采用残差学习策略，这样UpdateNet可以学习如何根据当前帧来利用$T_0^{GT}$。该方法是将$T_0^{GT}$与UpdateNet的输出加上一个短接。

训练UpdateNet：
我们训练updatenet来预测接下来帧的目标模板，预测的${\tilde{T}}_i$应该和从下一帧的gt位置截取的$T_{i+1}^{GT}$目标模板越相近越好。为了达到这个目的，我们通过缩小更新的模板和下一帧gt之间的欧氏距离，公式定义如下：

接下来，讲述如何产生训练所需要的数据，同时引入针对updatenet的多阶段训练。

训练样本： 首先训练updatenet网络，我们需要($T_0^{GT}$,${\tilde{T}}_{i-1}$,$T_i$)和$T_{i+1}^{GT}$，其中${\tilde{T}}_{i-1}$和$T_{i+1}^{GT}$比较好得到（都是现成的），如果我们$T_i$用的是gt的话，Updatenet不能很好地学习（因为偏差会很小）。因此，我们利用在第i帧不精确的位置来提取$T_i$样本，可以利用累积的模板${\tilde{T}}_{i-1}$来模拟这个场景，理想的表示在线跟踪过程中会发生的误差。

多阶段训练： 理论上，我们可以利用updatenet产生的输出${\tilde{T}}_{i-1}$，但是这样会使得训练重循环，导致计算复杂。为了避免这样，我们分阶段来训练。第一个阶段，我们在训练集上运行原始的跟踪器，利用标准的线性更新：

这样，产生累积的模板，并为每一帧预测位置。同时，我们将更新率$\gamma$调整到一个合适的值。尽管，我们采用的是比较简单的线性更新策略，但是也近似得到了在推理阶段给updatenet的输入值。在之后每一次训练阶段 k ∈ { 1 , . . . K } k \in \{1,...K\} k∈{1,...K}，我们利用每上一个阶段训练出来的Updatenet来获得累加模板和预测的目标位置：

（Such training data samples closely resemble the expected data distribution at inference time, as they have been output by UpdateNet）在后面的实验阶段，我们得到一个比较合适的K值。

4.Experiment

训练数据集： 我们使用的是LaSOT，只用到了其中一个包含了20个序列的子集来自随机选取的20个不同的类别，一共有45578帧。我们发现仅仅使用这些就已经足够了，使用剩下的数据集带来的提升只有一些。

用来评估的数据集：VOT018/16 , LaSOT , TrackingNet

实施的细节： 我们使用Siamfc，Dasiamrpn作为我们的基准跟踪器，在训练阶段1的模板产生部分我们使用来自CFNet的更新率0.0102。 同时我们使用的是不添加更新策略的DaSiamRPN。在后面的小节中，分析了线性的更新率在跟踪表现上的影响。训练Updatenet期间，我们将$T_0^{GT}$,${\tilde{T}}_{i-1}$,$T_i$和$T_{i+1}^{GT}$作为输入量，它们都是来自同一个视频。需要注意的是，$T_i$和${\tilde{T}}_{i-1}$是产生于真实的跟踪过程，而$T_0^{GT}$,$T_{i+1}^{GT}$是ground-truth模板。模板的尺寸应该是H×W×C。Updatenet是一个两层的卷积神经网络：Conv1(1×1×3C×96)+ ReLU + Conv2(1×1×96×C)。对于Siamfc，H=W=6,C=256，而DaSiamRPN的C=512。在第一个阶段，权重是从零初始化的(?)，同时学习率在每个epoch从$10^{-6}$衰减至$10^{-7}$。接下来的阶段，权重由上一阶段产生的最好的model来初始化，同时每个epoch中学习率由$10^{-7}$衰减至$10^{-8}$。我们训练的mini-batch的大小为64，epoch为50，使用SGD（momentum=0.9，weight decay= 0.0005）。

切割实验： blablabla做了一系类的切割实验，我们最后得出：训练三个阶段，同时skip connection从$T_0^{GT}$开始，效果是最好的。

更新展示的分析：

为了了解在特征上进行更新策略的推理阶段，我们将SiamFC的累加模板可视化出来，其中包括利用线性更新和Updatenet的方法。同时我们还加进了ground-truth模板。（For each template we show the feature maps of the four most dynamic channels in the ground-truth template??不是很清楚为什么要进行这个操作，four most dynamic channels?是什么）。为了进行对比，累加模板的产生是利用ground-truth的物体位置，不采用跟踪阶段所预测到的位置。（这个原因说的也很敷衍…不是很明白）。在此期间，我们关注到一些有趣的事情，首先，使用UpdateNet积累的模板比线性更新中的模板更接近于ground-truth。其次，由Updatenet得到的response map更sharper，说明我们的更新策略没有对学到的特征desired correlation属性产生坏的影响。最后，线性更新策略得到的累积模板改变速度很慢，并且不能很好地应对视频中的表观变化。
为了进一步对所观察到的进行研究，我们提出量化相邻两帧的模板更新速度。对于每个 i ∈ { 1 , . . . , N } i\in\{1,...,N\} i∈{1,...,N} 我们计算模板的平均差异：

公式中，N代表视频的总帧数，$\sum$指的是featuremap中所有的元素数目（eg,E=6×6×256）

最后一行的图包含了VOT2018总共60个视频的平均变化速度（很好奇到底是怎么画出来的？？）从图上看，会发现Updatenet会比线性更新更接近ground-truth。

通用性和跟踪速度：在VOT2018数据集上，比较了各个算法的FPS和EAO的表现。

微调线性更新率： 在这节中讨论对测试集进行更新率的微调是否能够带来更好的表现

根据上图可以看出，即使对更新率进行了微调，也不能保证结果有所改进。（如DaSiamRPN随着更新率的增加，EAO一直在下降）

与其他更新策略的比较： 通过在VOT2016数据集上的结果比较，发现还是Updatenet更胜一筹。

LaSOT数据集：
LaSOT数据集里大部分都是长时间的序列，因此跟踪器的更新模块十分重要，我们在该数据集下比较了十种算法，最后我们的算法表现最佳。

TrackingNet数据集: 同上，结果是Updatenet的效果很明显

5.Conclusions

blahblahblah

写完bb

总体来说，这篇文章写得很通俗易懂，就是增加了一个网络来进行更新模板的学习和产生，对于训练阶段十分好奇到底是怎么实现的。还需要再仔细看代码好好理解下，希望今天杭州的雨赶快停把，渣男赶快开心起来！！！！（总算是把这篇文章给Markdown结束完）
2019.11.27