本文主要是介绍【TripletTracking(ECCV2018)】论文阅读 Triplet Loss in Siamese Network for Object Tracking，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
Triplet Loss in Siamese Network for Object Tracking 项目主页
写在前面
这篇文章发表在ECCV2018上，速度快，精度还行，但是个人感觉还是因为方法比较新才被接收的。这篇文章的思路其实很简单，很大的篇幅都是在解释triplet loss为什么管用，在这里就不详细描述这块内容，主要掌握一下思路，具体的公式以及可视化的比较可以去看论文。
Motivation
- 一个动机是使用Siamese的动机，那些需要在线更新的tracker十分费时，所以才要用这种realtime的结构；
- 另一个动机是本文是出发点：SiamFC虽然使用了比较好的特征，但是它没有充分利用样本直接的联系。
Contribution
- 将三元组损失引入到SiamFC中，使得tracker更加具有分辨力；
- 做了充分的公式推导，严谨得通过理论证明了为什么引入三元组损失管用
Algorithm
网络结构如上图，其实和SiamFC就是一样的，文章还特意把SiamFC使用的logistical损失也画了出来，从上图中也可以看到，logistical的损失一共有M+N中，这里的M是指正样本对，N是指负样本对的个数。也就是Triplet的损失一共有M×N种，而logistical的损失只有M+N中，这样的话肯定是Triplet利用到的信息更多。这个文章的网络结构和参数都和SiamFC一样，只是最后在损失函数上有了改变，所以速度和SiamFC几乎是一样的。
下面对比两个损失函数：
1、Logistical
L l ( Y , V ) = ∑ x i ∈ X w i l o g ( 1 + e − y i ⋅ v i ) L_l(Y,V) = \sum_{x_i \in X}w_ilog(1+e^{-y_i\cdot v_i}) Ll(Y,V)=xi∈X∑wilog(1+e−yi⋅vi)
2、Triplet
L t ( V p , V n ) = − 1 M N ∑ i M ∑ j N l o g ( e v p i e v p i + e v n j ) L_t(V_p,V_n) = -\frac{1}{MN}\sum_{i}^M\sum_j^Nlog(\frac{e^{vp_i}}{e^{vp_i}+e^{vn_j}}) Lt(Vp,Vn)=−MN1i∑Mj∑Nlog(evpi+evnjevpi)
其中Y表示ground truth， V表示样本 ， V p V_p Vp表示正样本对， V n V_n Vn表示负样本对。
从两个损失函数中，我们也可以看出不同，第一个只是单纯的使用正样本对和负样本对，而第二个损失函数，正样本和负样本之间是有关系的，这样就充分利用了样本之间的一些联系。
这么做的意义就是希望当 v p < v n v_p <v_n vp<vn的时候，损失函数给出的梯度大，也就是强调了需要优化的地方。 文章中有一节是对比两个损失的梯度变化的，对这个做了详细的解释，感兴趣的可以去看文章。
Experiment
这是对比梯度的实验。
总结
优点
- 将三元组损失引入到SiamFC网络，使用的输入还是原始输入，特征提取过程都与SiamFC一样，只是在损失函数上面做了优化，但是在文章中试的三个tracker上效果都有提升；
- 有很完善的证明过程，也做了可视化的对比，有比较扎实的理论基础。
缺点
- 缺点的话就是SiamFC的一些缺点了吧，没有bbox回归，只在固定的search region里面搜索，目标reappear就不行了；
- 相似性检测的方法可能对目标的表观变化比较敏感，缺少模板更新；
- etc
这篇关于【TripletTracking(ECCV2018)】论文阅读 Triplet Loss in Siamese Network for Object Tracking的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
