RASNet视频目标跟踪论文笔记

1. 论文信息

• 论文题目：Learning Attentions: Residual Attentional Siamese Network for High Performance Online Visual Tracking
• 论文出处：CVPR 2018
• 论文作者：Qiang Wang等人
• 在线阅读：http://openaccess.thecvf.com/content_cvpr_2018/papers/Wang_Learning_Attentions_Residual_CVPR_2018_paper.pdf

2. 概述

本文基于Siamese network网络结构，加入了注意力机制（包括Residual Attention、General Attention和通道注意力），这项注意力机制作为一个layer嵌入到Siamese network网络中，缓解了深度网络训练中的过拟合问题，还提升了网络的判别能力和适应性。

3. 研究思路（重要）

3.1 相关滤波跟踪

相关滤波跟踪的目标函数（岭回归）：

$$\mathop {\min }\limits_{\bf{w}} \left\| {{\bf{Aw}} - {\bf{y}}} \right\|_2^2 + \lambda \left\| {\bf{w}} \right\|_2^2 \tag {1}$$
求解，得：
$${\bf{w}} = {\left( {{{\bf{A}}^T}{\bf{A}} + \lambda {\bf{I}}} \right)^{ - 1}}{{\bf{A}}^T}{\bf{y}} \tag {2}$$
由于矩阵求逆过程很慢，因此可以将其转换到非线性空间，用对偶形式求解，得：
$${\bf{w}} = {{\bf{A}}^T}{\bf{\alpha }} \tag {3}$$
有关相关滤波具体思想介绍，可以参考目标跟踪经典论文 High-Speed Tracking with Kernelized Correlation Filters（KCF），此处不再赘述。

从上述求解公式可以看出，传统相关滤波算法在建模过程中并没有考虑到目标物体图像特征的学习（主流相关滤波方法基本采用了HOG特征、CN特征，或者预训练好的CNN特征，严格来说，对于跟踪算法本身而言，没有特征学习的过程），而仅仅考虑了判别器的在线学习。

小结。传统相关滤波方法的特点：隔断了特征表示与判别学习。

3.2 Siamese netowrk跟踪方法

Siamese网络tracking方法的总体结构图如下所示：

基本公式建模：