本文主要是介绍【FlowTrack（CVPR2018）】：目标跟踪论文阅读，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！
End-to-end Flow Correlation Tracking with Spatial-temporal Attention 论文地址
写在前面
这是中科院大大朱政在商汤实习的时候做的，发表在2018年的CVPR上，文中提到这是第一篇将光流法和深度跟踪端到端训练的方法，他们使用的光流法就是2015年提出的FlowNet，文章只是将其拿过来重新训练了一下，没有太多讲其中的结构，而且朱政也表示FlowNet原来是处理小位移的，所以只是拿过来用还有可能会降精度。
Motivation
- 目前已有的tracker都只是用当前帧的RGB信息，很少有用到视频帧和帧之间丰富的运动信息，这导致了训练出来的tracker高度依赖于离线训练的特征的质量，当目标表观变化太大时鲁棒性差；
- 可以通过整合多帧的特征来加强模板的鲁棒性，但是视频不同帧之间的目标可能是不对齐的，简单特征融合只会使得网络效果变差。
Contribution
- 提出了一个端到端光流相关跟踪网络，来增强特征表示和跟踪精度；
- 提出了一个新颖的Spatial-temporal 注意力机制，可以自动整合历史帧的特征。
Algorithm
上图是这篇文章的网络结构，用了Siamese的网络，分为历史帧和当前帧t， 历史帧先过一个FlowNet网络提取光流信息，然后将光流信息与FeatureNet提取出来的特征做warp操作，然后再将t-1帧到t-T帧得到的warp特征过一个Spatial-Temporal网络相融合，得到 ϕ ( x ) \phi(x) ϕ(x)，再与当前帧t 过了FeatureNet的 ϕ ( z ) \phi(z) ϕ(z)做一个相关操作，得到最终的响应图。
文章中最后的那个CF layer就是把DCF弄成神经网络的一层，具体方式和公式推导可以参考文章。
1、Aggregation using optical flow
就是将前T帧的信息整合到t-1帧中，文章中的意思是，这样可以使得得到的目标特征包含的信息就会更加丰富，比如不同的视角、形变和光线变化，最后得到的 ϕ ( x ) \phi(x) ϕ(x)如下：
其中的 w i → t − 1 w_{i\to t-1} wi→t−1就表示不同层的warp后特征的权重，这个权重由Spatial-Temporal 注意力机制决定。（这里偷偷说一句，这个地方整合的特征不就是之前帧的跟踪的结果吗，这里是不是可以理解为一种模板更新方式，其实也可以理解为就是用了光流信息啦。文章自己也有一个模板更新的机制。）
2、Spatial-Temporal attention
空间的attention是通过一个Softmax操作实现的，具体公式如下，是对空间上每个点的权重：
大概就可以理解为，当t-1帧中的特征与warp后的 ϕ i → t − 1 e \phi_{i\to t-1}^e ϕi→t−1e 比较接近时，权重应该更大，文章里说是之前的和当前帧越像，越应该重视。个人理解为，当前帧应该和上一帧最像，所以才重视上一帧。
时间的attention就是一个channel attention，结构如下，具体可以参考SENet：
Experiment
这个tracker运行时间大概是12FPS，精度很高，所以这个速度还算可以了。在ablation实验中，他们发现单单使用flownet精度还有降低，可能是由于FLowNet精度造成的影响，所以重要的应该还是特征整合的方式？不过FlowNet确实可以解决一些不对齐的问题。
总结
膜一下。优点就是贡献了吧，反正论文里那么多公式我也没看懂，光流确实是很经典的一种目标跟踪方式，不过后来由于复杂度等各种原因被弃用，FlowNet精度也不是很高，若是真的有一个可以很好编码光流的网络，大概跟踪的风向又会变？ 一定要挑毛病的话，就是Spatial attention那边我不是很懂了，感觉还可以有更好的方式做。
这里附上朱政的知乎博文
这篇关于【FlowTrack（CVPR2018）】：目标跟踪论文阅读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！
