(DaSiamRPN)Distractor-aware Siamese Networks for Visual Object Tracking 阅读笔记

2018年的VOT竞赛结果已出，基于深度特征(Deep Feature)的相关滤波依旧强势，但值得注意的是，基于孪生网络(Siamese Network)的方法异军突起，在主赛上有不俗表现的同时，在实时赛与长时跟踪赛上取得了几乎垄断的绝对优势。

先解释一下SiamRPN与DaSiamRPN

SiamRPN(High Performance Visual Tracking with Siamese Region Proposal Network)是发表于CVPR2018上的论文，而DaSiamRPN(Distractor-aware Siamese Networks for Visual Object Tracking)则是对SiamRPN的改进版。

---

目录

1、概述

2、Siamese Network

3、Region Proposal Network

4、Proposal selection 候选区域的选择策略

4.1 丢弃远离输出特征图中心的anchor所产生的边界框

4.2 余弦窗与尺度变化惩罚

---

1、概述

我们先从SiamRPN开始说起，这套算法的思路是利用Siamese孪生网络分别提取初始帧目标与待检测帧图像的特征，二者提取的特征经过Region Proposal Network(RPN，区域候选网络)，输出候选区域是目标的概率及其与位置大小有关的相对偏移量(非绝对量)，进一步筛选处理后，得到最终目标位置与边界框。

如果你了解牛津Joao F. Henrique等人出的(SiameseFC)Fully-Convolutional Siamese Networks for Object Tracking以及目标检测领域的Faster RCNN的话，就很容易理解这篇论文了。

当然，不了解也没关系，配合我之后写的代码解读，也可以理解SiamRPN~~

首先看一下运行跟踪时网络总体结构图ÿ