论文来源

论文来源：http://xxx.itp.ac.cn/pdf/2003.06761v2.pdf
开源项目：https://github.com/hqucv/siamban

参考文献：
SiamBAN详细分析，一看就懂！
[阅读笔记][CVPR2020][SiamBAN] Siamese Box Adaptive Network for Visua

论文背景

SiamBAN是今年CVPR中效果最好的跟踪器之一，研究它的原理更加能够很好的帮助我们掌握目前跟踪器发展的趋势。
SIamBAN，按照意思分析是孪生自适应框。“孪生”，说明该跟踪使用了Siamese网络架构；而“自适应框”，则是该跟踪器采用了anchor-free的策略，不预先设定anchor框的尺寸，使得框拥有更大强大的自由度。
通过分析论文和代码，我认为SiamBAN就是一个优化版的SiamRPN++，最大的创新点在于anchor-free的引用，去掉了预定义的anchor，从而使得模型整体的参数下降，使得速度得到进一步的提升。
对于SiamBAN的原理分析，我准备采用三个方面：网络框架、训练、跟踪。

主要贡献

1. 新的框架：SiamBAN，实现使用深度卷积神经网络的end-to-end的离线训练
2. anchor-free的架构，no-prior box的设计避免了与候选框相关的超参数，使跟踪器更加灵活和通用。
3. 不仅达到了最先进的效果，并且在多个数据集达到40FPS（VOT2018，VOT2019，OTB100，NFS，UAV123，和 LaSOT）。

论文分析

网络框架

与SIamRPN++相似，或者说网络框架基本相同。不过不同点在于SiamBAN中引入了空洞卷积的原理，经过实验证明，空洞卷积能够增大感受野，提升跟踪性能。
SIamBAN的网络框架如下图所示：

创新点一：Box Adaptive Head

对于每一个分类图P cls w×h×2或回归图P reg w×h×4上的每个位置，我们可以将其映射到输入搜索patch。例如，与搜索片上的位置相对应的位置（i，j）为[⌊wim2⌋+（i-⌊w 2⌋）×s，他2⌋+（j−h 2⌋）× s]（表示为（pi，pj）。wim和他代表输入搜索补丁的宽度和高度，s代表网络的总跨度），它是位置（i，j ）。对于回归，基于锚的跟踪器[21、52、20]将位置（pi，pj）作为锚框的中心，然后回归位置（pi，pj），宽度aw和高度ah。也就是说，对于位置（i，j），回归可以调整其所有偏移值，但是分类仍然在原始位置执行，这可能导致分类和回归中的不一致性。因此，我们不调整位置（pi，pj），仅计算其到边界框的偏移值。另外，由于我们的回归目标是正实数，因此我们在回归模块的最后一级应用exp（x）将任何实数映射到（0，+∞）。

大概的理解是anchor-base的方法中对于特征图上的每一个位置(i,j)，将其映射到搜索patch上为(pi,pj)，回归分支中将这个位置作为anchor的中心去预测偏移量，这时候回归出来的结果已经改变了其中心位置，而分类分支依然在原始的中心位置进行，可能会导致分类和回归的不一致。

创新点二：Ground-truth

如果位置（pi，pj）落在椭圆E2内，则用正号标记，如果它落在椭圆E1以外，则为其分配负号，并且落在椭圆之间。 E2和E1，请忽略它。

创新点三：Anchor Free

论文流程

训练部分：

1. 将搜索补丁和模板补丁输入对应的网络分支，在第4、5个卷积模块中添加空洞卷积，膨胀因子分别设置为2和4。
2. 分别取出搜索分支和模板分支中第3、4、5卷积模块的卷积结果。为了减少计算量，作者只选取了模板分支卷积结果的7 × 7 区域。因为当输入补丁的尺寸为127 × 127，输出的特征图的尺寸为15 × 15,这时候选取[4:11]的区域，完全可以代表模板中选定的物体。
3. 将相对应的卷积结果进行互相关操作。比如，搜索分支第3卷积模块的卷积结果应该与模板分支第3卷积模块的卷积结果进行互相关，其中模板分支的卷积结果作为卷积核。那么，最后获得了三份互相关的特征图。
4. 将这三份互相关特征图合并为一张。SiamBAN在代码中使用的方法是取平均，即一个位置的三个值相加除以三。最后得到了一份互相关特征图。
5. 实际上，当运行到第4步的时候，就可以发现其实网络运行就可以结束了。但是作者为了能够减少计算量， 将互相关图的维度减少到256.（neck）

跟踪部分

1. 输入跟踪视频
2. 划定需要跟踪的目标
3. 跟踪器初始化（第一帧的处理）
   1. 截取模板补丁（方法与SiamRPN相同）
   2. 将模板补丁输入网络，得到第3、4、5层的卷积结果，并且对卷积结果进行处理（降维和模板特征图截取7x7区域）
4. 进行跟踪
   1. 截取搜索补丁（方法与SiamRPN相同）
   2. 将搜索补丁输入网络，得到第3、4、5层的卷积结果
   3. 与模板补丁的三个卷积结果进行相关卷积，并且将得到的三个互相关特征图进行加权平均，得到分类特征图和偏差坐标图。
   4. 利用上述公式（回归训练中），将得到的偏差坐标图转换成多个预测框
   5. 施加平移惩罚和尺度惩罚，从多个预测框中获得最佳跟踪框，从而实现跟踪。

论文翻译

Abstract

1. Introduction

2. Related Works

2.1. Siamese Network Based Visual Trackers

2.2. Anchor-free Object Detectors

3. SiamBAN Framework

3.1. Siamese Network Backbone

3.2. Box Adaptive Head

3.3. Multi-level Prediction

3.4. Ground-truth and Loss

3.5. Training and Inference

4. Experiments

4.1. Implementation Details

4.2. Comparison with State-of-the-art Trackers

4.3. Ablation Study

5. Conclusions

SiamBAN论文学习相关推荐

1. 动态环境下的SLAM：DynaSLAM 论文学习笔记

   动态环境下的SLAM:DynaSLAM 论文学习笔记 这篇文章 论文摘要 系统流程 相关环节的实现方法 神经网络检测图中动态物体(Mask R-CNN) Low-Cost Tracking 使用多视图 ...

2. 单目相机 svd 从图像恢复3维位置_论文学习——VINSMono：一种鲁棒且通用的单目视觉惯性系统...

   点击上方"视觉部落",选择"星标"公众号 精选作品,第一时间送达 文章同步首发于知乎用户yikang专栏 Part 1. 基本信息 本文提出了一种基于紧耦合滑动 ...

3. 识别和追踪主题层次的影响力者(来自2018 Machine Learning 论文学习笔记)

   本文作者:合肥工业大学 管理学院 钱洋 email:1563178220@qq.com . 以下内容是个人的论文阅读笔记,内容可能有不到之处,欢迎交流. 未经本人允许禁止转载. 文章目录 论文来源 论 ...

4. High Performance Visual Tracking with Siamese Region Proposal Network 论文学习

   文章目录 论文阅读总结 Translation Abstract 1 Introduction 2 Related Works 2.1 Trackers based on Siamese networ ...

5. [论文学习]TDN: An Integrated Representation Learning Model of Knowledge Graphs

   [论文学习以及翻译]TDN: An Integrated Representation Learning Model of Knowledge Graphs 文章主要内容 摘要 前言 相关工作 基于T ...

6. 论文学习-Stochastic Sparse Subspace Clustering

   论文学习-Stochastic Sparse Subspace Clustering Note Stochastic Sparse Subspace Clustering,随机稀疏子空间聚类论文精读. ...

7. 论文学习笔记 POSEIDON: Privacy-Preserving Federated Neural Network Learning

   论文学习笔记 POSEIDON: Privacy-Preserving Federated Neural Network Learning NDSS 2021录用文章 目录 论文学习笔记 POSEID ...

8. ## 论文学习—用一个可接受的的剪枝策略来加速动态时间规整聚类的算法

   论文学习-用一个可接受的的剪枝策略来加速动态时间规整聚类的算法 "Accelerating Dynamic Time Warping Clustering with a Novel Admi ...

9. 【论文学习笔记-2】高分辨率3D深度重建

   [论文学习笔记-2] 高分辨率3D深度重建 背景介绍 模型 目标 Related Works 背景介绍 应用场景广泛:桥,电缆etc 高分辨率图像的特点:像素多,potential disparity ...

最新文章

1. 为什么黑客用python-为什么黑客都用Python
2. 深度linux腾讯视频,在UOS/Deepin 20/Ubuntu 18.04下安装腾讯视频Linux版的方法
3. 第二次周考题目答案整理
4. android源码settings中显示所有正在运行进程流程分析
5. CodeActivity基本使用
6. logback日志模板与详解
7. linux windows 丢失,Win10预览版9879硬盘丢失的Linux解决方案
8. mysql8修改密码
9. 继承性(HTML、CSS)
10. 30分钟用flex测试FDS
11. 74-SSM项目实战前端开发
12. 如何高效录制和分享教学视频？我尝试了芦笋
13. “茴”字有四种写法，广发有三种分期；你都知道吗？
14. 一个接近90岁的维族老大爷用酒把我撂倒了
15. 报表工具使用教程-FineReport决策报表导出Plus
16. ASP.NET MVC #8211; 视图
17. 路由器和交换机有什么区别
18. 【数据结构】节点和结点，到底怎么区分？
19. idea 如何合并其他分支的指定文件或代码块到当前分支
20. Spark数据分区（partitionBy分区、partitioner获取分区方式、自定义分区）

热门文章

1. 【Linux系统编程学习】 GDB调试器的简单使用
2. Redis面试复习大纲在手面试不慌，讲的明明白白！
3. Daily scrum 10.15
4. 软件工程——结对编程第二次作业
5. 【动态规划】Vijos P1313 金明的预算方案（NOIP2006提高组第二题）
6. powershell开源新闻及简介
7. 一个电脑同时运行 64bit 和 32bit 的eclipse 如何匹配 jdk环境
8. java.sql.SQLException: ORA-01438: 值大于此列指定的允许精确度
9. count慢的问题解决
10. 快速理解binary cross entropy 二元交叉熵