ECCV 2018 StructSiam：《Structured Siamese Network for Real-Time Visual Tracking》论文笔记

       理解出错之处望不吝指正。
       文章链接

整体结构

       本文的模型结构如下图所示：

创新点

       本文的改进我觉得十分新颖：“每张特征图学习跟踪目标的一个局部结构”，模板经过卷积后得到$1\times 1\times 4096$大小的特征图，每张特征图代表该物体的一个属性（特征），基于此特征图做相似计算。
       从上图来看，我们可以知道，文中主要有三个新增加的部分，分别是“Local Pattern Detection”、“Context Modeling”和“Integration Module”。
       “Local Pattern Detection"部分是通过两个卷积层（$11\times 11$和$5\times 5$）实现的，输出的每张特征图代表一个局部特征。
       “Context Modeling”部分通过“消息传递”机制实现，使用的是CRF（条件随机场）。作用是压制背景噪声、加强特征。
       “Integration Module”部分通过$6\times 6$卷积核实现，将模板帧的特征图由$6\times 6\times 4096$变为$1\times 1\times 4096$（其实就是变成了一个向量，向量中的每个值代表该物体的一个属性，和全局均值池化类似）。

实验结果

       由于要学习部分特征，作者选择使用ILSVRC2014和ALOV作为训练数据集，模型的实验结果如下所示：
       1.OTB-2013
          87.4%  0.638  45FPS
       2.OTB-2015
          85.1%  0.621  45FPS
       3.VOT-2016