[论文阅读 2019 ICCV-oral 目标跟踪]Learning Discriminative Model Prediction for Tracking

简介

paper:Learning Discriminative Model Prediction for Tracking

code:visionml/pytracking

参考:看懂这篇视觉跟踪算法你就可以超神了

Martin持续发力的经典之作Dimp。这篇论文的动机是：首先，当前的siamese跟踪器只重视target的特征而忽略了background信息；其次，当前的siamese跟踪器是离线训练的，而跟踪任务跟踪的目标大部分情况是训练集中所没有的，这就导致算法的在线跟踪时的不可靠；同时，当前大多数SOTA的跟踪器都采用很简单的模板更新策略，导致算法是不鲁棒的。

基于当前跟踪器存在的问题，这篇论文在ATOM的基础上提出了Dimp，一个更加强大的跟踪模型!

如下图所示，近些年来流行的siamese结构算法通常只使用target feature(crop处理)且通常不用online train.

主要内容

Dimp主要在ATOM的基础上对target classification部分进行了改进优化，如上图所示是Dimp的target classification部分.

Discriminative Learning Loss

target classification中的关键是Model predictor D,而Model predictor D采用online train的方式来更新从而使得模型更加可靠。

为此，对于target classification部分，论文提出了以下损失函数:

$$L(f)=\frac{1}{\left|S_{\text{train }}\right|}\sum _{(x,c)\in S_{\text{train }}}\Vert r(x\ast f,c){\Vert }^2+\Vert \lambda f{\Vert }^2$$

where $f=D(S_{train})$, $\ast$ denotes convolution and $\lambda$ is a regularization factor.The function $r(s,c)$ computes the residual at every spatial location based on the target confidence scores $s=x\ast f$ and
the ground-truth target center coordinate $c$.

对于残差函数$r(x\ast f,c)$的选择，论文中认为采用简单的$r(x\ast f,c)=x\ast f-y_c$(where $y_c$ are the desired target scores as at each location,popularly set to a Gaussian function centered at $c$),这样简单的残差，使得模型将关注重点放在负样本上（因为高斯标签只有少部分是值较大的），而导致学习到的不是最佳模型。

为此，这篇论文从SVM中收到启发，在残差函数中使用hinge-like loss,定义的残差函数如下:

$$r(s,c)=v_c\cdot \left(m_{c}s+\left(1-m_c\right)\max (0,s)-y_c\right)$$

Here, the target mask $m_c$, the spatial weight $v_c$, the regularization factor $\lambda$, and the regression target $y_c$

其中,$m_c$,$v_c$,$\lambda$和$y_c$这些参数都是可以通过在线学习得到，在论文的$3.4$节有详细描述，之后我也会稍微介绍一下.

Optimization-Based Architecture

前面我们已经介绍了target classification的损失函数，通过最小化这个损失函数就可以得到最优的filter f.

最直接的优化损失函数的方法就是采用梯度下降法，用公式可以表示为:

$$f^{(i+1)}=f^{(i)}-\alpha \nabla L\left(f^{(i)}\right)$$

Martin大神认为采用梯度下降法会使得模型收敛很慢，而收敛很慢的原因是梯度下降中采用了固定的步长，而不是根据当前数据或模型评估结果进行动态调整。为此，Martin大神通过最速梯度算法来迭代优化得到一个比较理想的filter f.(具体见论文3.2)

Initial Filter Prediction

在Model predictor D中还有一个Model initialier模块，这个模块由一个卷积层后面紧跟一个precise ROI pooling结构组成，这个模块仅负责提供合理的初始估计值，而不是预测最终模型，最终模型由Model optimizer提供.

However, rather than predicting the final model, our initializer network is tasked with only providing a reasonable initial estimate, which is then processed by the optimizer module to provide the final model.

Learning the Discriminative Learning Loss

前面我们提到在残差函数$r(s,c)$中$m_c$,$v_c$,$\lambda$和$y_c$都是可以通过学习得到的，而在之前的跟踪算法中这些一般都是人为设计好的。

这篇论文以回归目标$y_c$为例进行了说明，一般情况下$y_c$会认为设置为高斯函数型的标签，这篇论文将其定义为如下：

$$y_c(t)=\sum _{k=0}^{N-1}{\varphi }_k^y{\rho }_k(\Vert t-c\Vert ).$$

$${\rho }_k(d)=\{\begin{array}{ll}\max \left(0,1-\frac{|d-k\Delta |}{\Delta }\right),& k<N-1\\ \max \left(0,\min \left(1,1+\frac{d-k\Delta }{\Delta }\right)\right),& k=N-1\end{array}$$

其中${\rho }_k(d)$,$\Vert t-c||$都是计算得到的实际值，真正需要学习的参数只有${\varphi }_k^y$,简单说就是通过训练学习一个比较理想的参数${\varphi }_k^y$.

Bounding Box Estimation

对于target estimation部分则采用ATOM中的Iou-Net结果,如上图所示(具体可以参考ATOM)。

Offline Training

离线训练时，将Feature extractor部分，target classification部分和target estimation部分当成一个整体进行训练。

其中target classification部分的分类损失函数定义如下(具体参考原文):

$$L_{\mathrm{c}\mathrm{l}\mathrm{s}}=\frac{1}{N_{\mathrm{i}\mathrm{t}\mathrm{e}\mathrm{r}}}\sum _{i=0}^{N_{\mathrm{i}\mathrm{t}\mathrm{e}\mathrm{r}}}\sum _{(x,c)\in S_{\mathrm{t}\mathrm{e}\mathrm{s}\mathrm{t}}}{\Vert \ell \left(x\ast f^{(i)},z_c\right)\Vert }^2$$

$$\ell (s,z)=\{\begin{array}{ll}s-z,& z>T\\ \max (0,s),& z\le T\end{array}$$

而对于target estimation部分则采用预测的bbox与ground truth之间的IOU loss.

最终总损失定义为:

$$L_{\mathrm{t}\mathrm{o}\mathrm{t}}=\beta L_{\mathrm{c}\mathrm{l}\mathrm{s}}+L_{\mathrm{b}\mathrm{b}}$$

Online Tracking

在线跟踪时，首先通过target classification对目标中心进行定位;之后，通过target estimation预测目标的bbox。

实验结果

小结

Martin大神的经典神作，需要好好专研，不得不佩服Martin大神的数学功底，tql!