Siamese Cascaded Region Proposal Networks for Real-Time Visual Tracking

2019-03-20 16:45:23

Paper：https://arxiv.org/pdf/1812.06148.pdf

Code：（尚无）

背景与动机：

本文提出一种级联的 RPN 网络结合到 Siamese RPN 网络中，然后取得了更好的跟踪效果。本文的动机如下：
1). 正负样本的比例，不一致，导致 Siamese Network 的训练不够有效；大部分的负样本都是简单样本，对最终的结果贡献很小，所以，在出现相似物体的时候，经常会出现跟踪混淆；

2). Low-level spatial features 并没有充分的被探索；

3). One-stage Siamese RPN 采用 单个回归器进行物体的定位，但是实际上并没有很好的处理跟踪中物体的尺寸变换的问题。利用预先定义好的 Coarse anchor Box 不能很好的进行精确的定位；

于是，根据上述动机，作者引入 多级的 RPN 网络，来解决定位问题；同时选择 hard negative samples 来改善网络的鲁棒性。此外，作者还引入了多层特征的融合，得到了更好的特征表达。

网络结构：

1. Siamese-RPN 的简介：

　　详见其原始 paper：High performance visual tracking with siamese region proposal network

2. Cascaded RPN:

前人的方法大部分都忽略了 class imbalance 的问题，导致在出现相似性物体的时候，效果不佳。此外，他们也仅用 high-level semantic features 来进行跟踪，而很少考虑 multi-level feature。为了解决上述这两个问题，本文提出多阶段的跟踪方法，细节如下：

对于每一个阶段的 RPN，其利用 FTB 模块来融合来自第 l 个 convolutional layer 的特征 以及 high-level feature，融合后的特征可以用下面的公式进行表达：

其中 FTB 代表如下图所示的多特征融合模块。主要是对较低分辨率的图像利用 Deconvlutional layer 进行升分辨率处理，得到的特征卷积后，与另外一支进行元素集相加（element-wise summarize）得到最终的结果，细节见图 6。

对于，RPN-1 来说，

所以，stage l 中每一个 anchor 的分类得分 和 回归的偏执，计算如下：

我们用 A_l 表示在阶段 l 的 anchor set。根据分类的得分，我们可以过滤出该集合中的样本，当其 negative confidence 大于预先设定的阈值时。然后，剩下的那些样本就构成了新的 anchor 集合 A_l+1，并且用于训练 RPN_l+1。此外，为了提供更好的初始化，我们优化了 A_l+1 中 anchor 的 center location 以及 size，所以，产生了更加准确的定位。作者也提供了一个案例，来表明 BBox 的准确性提升。

RPN_l 的损失函数 $L_{RPN_l}$ 包含分类损失 $L_{cls}$ 以及 回归损失 $L_{loc}$，其定义如下：

其中，$r_i^{l*}$ 表示 anchor i 和 gt 之间的真实距离。服从前人工作，作者也将 $r_i^{l*}$ 设置为 4d 的向量，如下所示：

其中，x, y, w, h 是 BBox 的中心点 及其 宽高。与常规的固定 anchor 不同，C-RPN 的 anchors 可以进行微调：

对于第一个阶段的 anchor，$x_a^1, y_a^1, w_a^1, h_a^1$ 是预先设定的。

【注】此处关于损失函数讲的不是特别清晰，关于回归损失函数的定义，可以参考 Faster RCNN。

上述过程构成了所提出的级联 RPN。其最终的损失函数 $L_{CRPN}$ 就是各个 RPN 损失函数的和：

实验结果：

==