本文主要是介绍【SiamDW(CVPR2019)oral】论文阅读Deeper and Wider Siamese Networks for Real-Time Visual 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！
Deeper and Wider Siamese Networks for Real-Time Visual Tracking 论文地址 代码
写在前面
又是一篇关于SiamRPN的改进，加深了网络宽度与深度，优化特征提取过程，效果很好。
Motivation
- 深度的网络如ResNet在其他视觉任务上都有很好的表现，然而却不能移植到目标跟踪领域中；
- 网络太深导致最后特征的感受野太大，更加关注语义信息而缺少定位能力；
- 网络的padding操作会使得模型产生漂移；
- 网络的步长影响了网络定位的准确度，特别是在小物体上。
Contribution
- 他们系统分析了深度的网络影响跟踪的因素，并且提出了一个网络结构设计的guideline for Siamese tracker；
- 他们提出了一个no-padding-residual 单元来设计一个更加深和宽的Siamese tracker，实验表明他们的这种做法提升了网络的精度。
Algorithm
1、Analysis
在这个部分，他们详细分析了深度网络影响tracker的因素如下：
1.1 没有padding的网络的表现最好；
1.2 随着网络的步长变大，网络的表现越差，这个表明Siamese网络更多使用的四中层的特征，这些特征更加有利于目标的定位；
1.3 输出feature的感受野最好是模板的60%-80%左右。
2.Guideline
根据以上的分析，他们对网络的优化提出了一系列的准则：
2.1 Siamese的tracker应该使用小的网络步长；
2.2 输出特征的感受野应该根据模板图片的比例设定；
2.3 网络的步长、感受野和输出特征尺寸应该是一起设计的；
2.4 对于全卷积的Siamese网络，最好的方法应该是去掉padding操作。
Deeper and Wider Siamese Networks
这个部分，他们设计了一个新的模块，用来消除由于网络太深产生的漂移。
如上图，a和b是原始的残差单元和下采样单元，（a’）是本文提出的方法，在加和操作之后加了一个crop操作，这个操作可以移除被zero-padding影响的特征，因为padding一般处于feature map的边缘，所以这些影响很容易通过crop操作消除。
（b’）是对下采样操作的优化，因为这个操作会将网络的特征图变小，所以为了稍微控制一下，就把第二层的步长变成1，最后还是加了一个crop来消除padding的影响，最后用maxpooling来下采样特征图（这个maxpooling不懂干嘛的，可能是人家模型压缩领域常用的把）。d是将网络加宽，使得网络可以使用更多的信息。
值得注意的是，网络因为crop操作所以会使得feature map变小，文章就直接通过加大输入图像和减少网络步长来做
3、网络结构
以上CIResNet-43就是这篇文章提出的网络结构，（一脸懵逼的我）。
Experiment
在各大benchmark上效果都有提升
总结
感觉从ECCV UPDT出来后，商汤就开始研究ResNet了，怎么大家都没想到呢，果然人家就是有克服困难的意识和勇气啊。
优点
- 分析了更加深的网络为什么不能在Siamese tracker上有用，并且给出了解决方案，是一个比较通用的方法；
缺点
找不出缺点（哭），要说缺点，就是Inception和ResNet我不熟，所以觉得人家在网络结构那边写的模棱两可吧。
这篇关于【SiamDW(CVPR2019)oral】论文阅读Deeper and Wider Siamese Networks for Real-Time Visual 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！
