Target-aware deep tracking 论文阅读笔记

又是有马超和杨大佬的一篇文章。。

摘要：使用预训练特征的深度tracker 性能不佳，主要原因在于对跟踪过程中任意物体的任意形式不能很好的建模。，所以提出学习目标意识特征，与预训练特征相比，能更好识别出遭受严重变化的物体。如何选择target-aware特征呢？通过建立不同的损失函数，等到模型收敛时，对损失函数进行梯度反向传播，选择最佳卷积滤波器，最佳滤波器对应的activation即为目标意识特征。

motivation：1，预训练网络对未知物体不能有效将其与背景分割。

                  2，最后一层卷积层特征不适合定位

                  3，从预训练网络中提取特征计算复杂，维度较高。

    本文创新来源：反向传播的梯度表示了不同目标的显著性，通过对梯度进行全局平均池化，能够选出代表目标物体的滤波器，从而选出重要特征。且不同的损失函数具有不同的梯度，从而选取不同滤波器和不同target-aware特征。

contribution：1，提出了回归损失和ranking loss进行卷积滤波器选择，进而生成targe-aware特征，

                      2， 将target-aware特征融入到Siamese框架下进行跟踪。

对比一下别人写的论文笔记，自己写的句子如此的不通畅，别人写的粗糙直白，这就是差距啊。

Target aware 特征

                           

深入分析了预训练网络提取的特征，其对类内物体的区分不是很好，但是target-aware特征对类内物体区分度好，可以克服背景干扰，且预训练特征与每一种类别的标签是关联较少的，只有一小部分卷积滤波器描述了该物体，大部分滤波器是冗余的，描述的无关信息。

本文算法框架如上图所示，由预训练网络，target-aware model 和相关模块三部分组成，预训练网络采用VGG-16,target-aware 模块设计两种损失函数，如下：

该回归损失反向传播后，可以得到每一个卷积滤波器通道的重要度，从而选择target-aware意识特征。

尺度敏感排列损失函数如上，求导后，根据梯度选择重要滤波器，其activations即为尺度敏感特征。

tracking initialization ：特征提取模块是线下预训练的，target-aware仅在第一帧中训练。两个loss分开训练，直到网络收敛。

1080 GPU，33.7fps，效果不错，文章通俗较容易读懂！下面努力调试代码！