RASNet阅读笔记:Learning Attentions: Residual Attentional Siamese Network for High Performance Online Vis
CVPR2018 论文在此
文章全称:Learning Attentions: Residual Attentional Siamese Network for High Performance Online Visual Tracking
论文作者在知乎也进行了详细的介绍:https://zhuanlan.zhihu.com/p/34222060
- RASNet使用三个attention机制对SiamFC特征的空间和channel进行加权,分解特征提取和判别性分析的耦合,用来提升判别能力。
##摘要
最近目标跟踪中通过离线训练的方式来平衡跟踪的精度和速度,显示出了巨大的潜力。然而在在线跟踪中,离线训练出的模型很难适应不同的跟踪目标。作者提出了残差注意力孪生网络(Residual Attentional Siamese Network),简称RASNet,用来高性能的目标跟踪。这个网络模型在孪生网络的框架下重新建立相关滤波器,并且引入了几种不同的注意力机制来适应模型,而不是通过模型的在线更新。也就是说,通过利用离线训练好的general attention,residual attention和channel attention这三个注意力模型,RASNet不仅能够减小深度网络训练中的过拟合问题,还能够提高网络的判别能力和自适应力。作者提出的网络可以端到端训练,充分利用了跟踪序列丰富的时空信息来获得鲁棒的视觉跟踪。作者在最新的两个评价基准上进行实验,OTB2015和VOT2017,表明了RASNet跟踪器有着优越的精度,并且速度超过了80fps。
作者基于SiameseFC结构,提出了新的网络结构如下:
最终响应,也就是weighted cross correlation function,如下:
fp′,q′=∑i=0m−1∑j=0n−1∑c=0d−1γi,j,cϕi,j,c(z)ϕp′+i,q′+j,c(x)+bf_{p',q'}=\sum_{i=0}^{m-1}\sum_{j=0}^{n-1}\sum_{c=0}^{d-1}\gamma _{i,j,c}\phi _{i,j,c}(z )\phi _{p'+i,q'+j,c}( x )+bfp′,q′=i=0∑m−1j=0∑n−1c=0∑d−1γi,j,cϕi,j,c(z)ϕp′+i,q′+j,c(x)+b
本文的关键就是这个γi,j,c\gamma _{i,j,c}γi,j,c
γi,j,c=(ρˉi,j+ρ~i,j)βc\gamma _{i,j,c}=(\bar{\rho }_{i,j}+\tilde{\rho}_{i,j} )\beta _cγi,j,c=(ρˉi,j+ρ~i,j)βc
ρˉi,j\bar{\rho }_{i,j}ρˉi,j是general attention,通过学习生成一个类似于高斯框的东东,表征目标的空间信息,一幅图像不同位置的所表达的重要性不同:
$\tilde{\rho}{i,j} 是residualattention,沙漏结构,与是residual attention,沙漏结构,与是residualattention,沙漏结构,与\bar{\rho }{i,j}$合称dual attention,residual attention表征目标的语义信息,增加了判别性。
βc\beta _cβc是channel attention,通过池化、MLP,最后sigmoid输出通道权重。不同通道的重要性也不一样,表征的是目标的通道信息。
其实channel attention和general attention所用的方法在跟踪中都很常见,本文的亮点在于作者加入的这个residual attention
RASNet阅读笔记:Learning Attentions: Residual Attentional Siamese Network for High Performance Online Vis相关推荐
- Learning Attentions: Residual Attentional Siamese Network for High Performance Online Visual Track笔记
该文是注意力机制应用的巅峰.简单的说本文就是:Siamese+CSR-DCF 该文首先对SRDCF.CSR-DCF等使用了特征加权的非深度学习方法和SimaseFC等的深度学习方法进行了介绍,指出非深 ...
- CVPR 2018 RASNet:《Learning Attentions: Residual Attentional Siamese Network for Tracking》论文笔记
理解出错之处望不吝指正. 本文模型叫做RASNet,在Siamese框架下重构了CF,提出了三种attention机制(general.residual.channel),这三种attention的提 ...
- 毫米波目标检测论文 阅读笔记 | Radar Transformer: An Object Classification Network Based on 4D MMW Imaging Radar
毫米波目标检测论文 | Radar Transformer: An Object Classification Network Based on 4D MMW Imaging Radar Jie Ba ...
- 【论文阅读记录】孪生网络(Siamese network)
前言: { 之前深度学习不流行的时候,一般像指纹鉴别这种任务都需要很复杂的特征工程(比如寻找角点[1])来完成.我在谷歌搜索了深度学习的指纹识别解决方案,之后搜到了[2],便因此了解到了孪生网络(Si ...
- 【论文笔记】LSNet: Extremely Light-Weight Siamese Network For Change Detection in Remote Sensing Image
论文 论文题目:LSNET: EXTREMELY LIGHT-WEIGHT SIAMESE NETWORK FOR CHANGE DETECTIONOF REMOTE SENSING IMAGE 投递 ...
- [图像融合-论文笔记]A multiscale residual pyramid attention network for medical image fusion一种用于医学图像融合的多尺度残差金
A multiscale residual pyramid attention network for medical image fusion 一种用于医学图像融合的多尺度残差金字塔注意网络 作者: ...
- 文献阅读笔记 # Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks
<Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks> 用于快速搭建NLP任务的demo的开源项目sbert的原始 ...
- 【文献阅读笔记之】ACFNet: Attentional Class Feature Network for Semantic Segmentation
摘要 传统的语义分割网络大的是从空间的角度设计的,充分利用丰富的上下文信息.文章中提出一种新的观点,类中心,即从分类的角度提取全局的上下文.除此之外,作者还提出一个新的模块,名为注意类特征(ACF)模 ...
- 视频分类论文阅读笔记——Learning Spatiotemporal Features With 3D Convolutional Networks
论文:Learning Spatiotemporal Features With 3D Convolutional Networks 作者:FaceBook AI研究院 来源:ICCV2015 代码: ...
最新文章
- 正则数字和小数点_Python中的正则表达式【不断补充~】
- javascript es6 == === is 区别
- srwebsocket 服务器过段时间会关闭_王者荣耀:伽罗大招遭到暗改?开启后直接冷却时间,无法手动关闭...
- 编译实验(一)词法分析
- pip升级python版本_GEE学习笔记 六十八:【GEE之Python版教程二】配置Python开发环境...
- Windows 10 关闭Hyper-V
- 数据仓库之电商数仓-- 3.3、电商数据仓库系统(DWT层)
- 救命神文!应对ubuntu磁盘空间不足(已解决)
- 电子模块 001 --- 遥杆 JoyStick
- html高级编辑工具,高级编辑工具
- 跨域请求的常用方式及解释
- C语言国二上机题库,【高分飘过】2013年国二C语言上机题库(必备完美版).doc
- UTM 投影坐标系条带号Zone与EPSG代号计算(Python 实现)
- 小程序容器对政务服务平台建设的帮助
- ROS节点运行管理launch文件
- 罗永浩以为×××短信给了马化腾一记暴击,实际……
- 4399Q版泡泡堂(DEVC++实现+解析)
- -bash:........ Permission denied
- 国产数据库OpenGauss--内存优化表(MOT)实践
- cad转dxf格式文件太大,将CAD图纸文件进行转换成低版本DXF格式如何进行?