论文笔记之：Visual Tracking with Fully Convolutional Networks
ICCV 2015 CUHK
本文利用 FCN 来做跟踪问题，但开篇就提到并非将其看做是一个 黑匣子，只是用来提取特征，而是在大量的图像和 ImageNet 分类任务上关于 CNN 的 feature 做了大量的深度的研究。这些发现促使他们设计了该跟踪系统，他们发现： 不同的卷积层会从不同的角度来刻画目标。顶层的 layer 编码了更多的关于 语义特征并且可以作为种类检测器，而底层的层懈怠了更多的具有判别性的信息，并且可以更好的区分具有相似外观的目标。在跟踪的过程中利用这两种层的不断切换而完成跟踪。作者还发现，对于一个跟踪目标，仅仅一些神经元是与其有关的，于是提出了一种 feature map 选择机制 来移除噪声和不相关的 feature maps，可以减少计算量，并且提升了跟踪的效果。在tracking benchmark 上取得了 state-of-the-art 的效果，具体是如何屌的，让我们进一步的看。
Introduction：
视觉跟踪领域仍然有许多未能很好解决的问题，像：明显的外观改变，姿态的改变，严重的遮挡，以及复杂背景等等。虽然传统方法利用手工设计的方法也研发了许多经典的跟踪算法，但是随着 CNN 的出现，跟踪领域也逐渐被深度学习方面的技术所占领，主要就是因为 CNN 可以得到更好的 feature 表达，这从很大的程度上超越了传统方法，可以看到最近的深度方面的方法基本都将 tracking 的 benchmark 刷到了 90+% 的精度，但是这些方法基本都是在海量数据上先预训练，然后 transfer 到跟踪问题上。因为跟踪问题，只是提供第一帧的 bounding box 使得深度的海量数据训练的方法有些受困。但是，纯粹的利用 CNN 强大的特征表达能力，并不能说跟踪技术发展的有多快，更加只能的算法还有待开发出来。更多的人只是将 CNN 看作是一个黑匣子，这也是本文一直在强调的，那么本文是怎么做的呢？
本文分析了各个层的特征对跟踪的影响，更加合理的选择特征来做到减少计算量的同时，提升跟踪性能。本文发现了两个有意思的属性，即：
1. 不同的层次 feature 对跟踪问题的影响不同，具体表现在：
（1）顶层的 CNN 提出的 feature 具有较好的抽象 和 高层语义特征。这些特征对于区分不同的类别，或者对付 形变 和 遮挡 具有更好的鲁棒性。
（2）底层的特征提供了更多的细节的局部信息，可以更好的区分外观类似的目标。
这些方面的具体表现如下图所示：
2. 在 ImageNet 上预训练得到的 CNN feature 来分辨一般性的物体。
但是对于一个物体来讲，并非所有的 feature 都对鲁棒的跟踪有用。只有一部分是有用的，另外一部分就是属于噪声的 feature了，本文就提出一种选择有用的方法，在排除 noise 的同时，可以更好的跟踪目标。
所以本文的贡献点，总结起来就是：
1. 分析了 图像分类上深度神经网络上不同层的特征的属性，以及对跟踪问题的影响。
2. 提出一种结合两种层次特征的跟踪算法，更好的选择特征，实现更加鲁棒的跟踪。
3. 提出一种 feature 选择机制，去除干扰性的 feature，使得跟踪算法更加高效以及精确。
不同层次特征属性的分析：
本文跟踪算法基于 VGG-19，16层卷积 以及 3层 fc。
观察1：Although the receptive field 1 of CNN feature maps is large, the activated feature maps are sparse and localized. The activated regions are highly correlated to the regions of semantic objects .
观察2： Many CNN feature maps are noisy or unrelated for the task of discriminating a particular target from its background.
观察3：Different layers encode different types of features. Higher layers capture semantic concepts on object categories, whereas lower layers encode more discriminative features to capture intra class variations.
所提出的跟踪算法网络设计 FCNT：
从该网络结构可以看出，本文是将输入的视频帧，首先利用 VGG-19提取feature，然后分别利用 高层的特征，传送给 SNet 以及 GNet，然后分别将这两个特征图进行映射，最后根据一个干扰性判别器，选择其中的一个 heap map 作为最终的输出，给出跟踪目标的 bounding box。然后下一帧到来后，在上一帧的位置中心，提取出一个区域，然后在进行类似的选择和定位。
1. Feature Map Selection
所提出的 feature map selection 方法是基于目标 heat map 回归模型，称为：sel-CNN，并且独立于 Conv4-3 以及 Conv5-3。它将 Conv4-3 和 Conv5-3 的 feature map 作为输入来预测目标 heat map M。该模型通过最小化 预测的前景heat map 与 目标 heat map M 之间的差距来进行训练。
本文的实验部分仅仅对第一帧图像进行了 feature selection。
可以看到本文的精度并不算高， 即：0.85，有的传统方法的精度也已经达到了 0.9，更别提最近的深度学习方法了。
但是，从跟踪过程可以看出并不简单，确切的讲，是有点复杂的。。。同样是将 local 和 global 的信息利用起来，本文从另一个角度来解释这个问题，搞得不错。从重构出 heat map，到 heat map 的选择，也可以看出不同层特征的影响。
但是感觉，不应该精度这么低啊！呃呃呃、、、
下面是跟与其他方法的对比，以及 自身关于各种挑战的鲁棒性的分析：