代码阅读：MDNet

最新推荐文章于 2024-10-09 09:21:45 发布

mini猿要成长QAQ

最新推荐文章于 2024-10-09 09:21:45 发布

阅读量5.1k

点赞数 11

分类专栏：目标跟踪文章标签：目标跟踪 MDNet 代码

本文链接：https://blog.csdn.net/sgfmby1994/article/details/79863772

版权

目标跟踪专栏收录该内容

18 篇文章 29 订阅

订阅专栏

demo_tracking

1、调用mdnet_init执行初始化net以及各种参数的操作。

2、bbox回归训练

总括：采用了 bounding box regression technique，这个广泛的应用于 Object detection，来改善定位的准确度。

根据给定视频的第一帧，训练一个简单地线性回归模型来预测目标物体的位置，用的是 Conv 3 的特征。在随后的视频帧中，如果预测的目标是可靠的，可以利用bounding box regression调整得到最终的目标位置。文章仅仅用第一帧进行 bounding box regressor 的预测，因为这非常耗时，并且增量学习并不一定有用考虑到其 risk。

① 调用gen_samples，以'uniform_aspect'方式生成20000个回归样本

画出其中的10个：

② 调用overlap_ratio计算样本与gt的重叠率

③ 选出重叠率大于0.6的样本，随机从中选择1000个作为正样本

④ 提取这1000个样本的patch，调用im_crop去均值并resize到107×107。

打出几个看一下：

设置batchsize为256，也就是一次性向网络中输入256个样本（作为一个batch），调用vl_simplennn利用net得到特征图。

即，每个样本的特征图为3×3×512，这样最终得到的feat_conv:

⑤ 将第4步的结果进行维度变换，并将每个样本的特征图拉伸为一。

输入到tran_bbox_regressor训练bbox回归模型。

bbox_regressor的原因及数学算法参见我的另一篇博客

3、在gt周围以'gaussian'方式生成1000个正样本

画出其中的10个：

计算样本与gt的重叠率。选出重叠率大于posThr_init（0.6）的样本，随机从中选择最多500个作为正样本。

4、在全图中用'uniform'和'whole'两种方式各生成5000个样本，共生成10000个负样本。

画出10个：

计算样本与gt的重叠率。选出重叠率小于negThr_init（0.5）的样本，随机从中选择最多5000个作为负样本。

画出100个：

5、分别提取每个样本（最多500正样本，5000负样本）的conv_feature。

每个样本的特征图为3×3×512。

6、选出hard负样本（也就是作者提到的hard minibatch mining的过程），并和正样本一起微调net的fc层。

① 从500个正样本中提取32*30个正样本。

opts.batch_pos*opts.maxiter

随机从这些样本中选出32*30个样本。

比如本来有487个，先复制这487个，然后再从乱序的487中选出剩下的473个，组成32*30个样本。

② 同理，从5000个负样本中提取256430个样本。

opts.batchSize_hnm*opts.batchAcc_hnm*opts.maxiter

③ 下面进行hard negative mining的过程：

针对每次迭代：（共迭代30次）

以batch_size为batch的大小，一次性送入batch_size个样本的特征供net计算得分，分别计算得到opts.batchSize_hnm*opts.batchAcc_hnm个样本的positive score得分。

这样，从1024（opts.batchSize_hnm*opts.batchAcc_hnm）个负样本中选出得分最高的96个。

再从正样本中依次选出32个，将这96个负样本和32个正样本的特征图组成一个batch，送入net中，更新每个全连接层的参数

7、为在线更新做好数据样本准备

调用gen_samples，以'uniform'方式生成200*2个样本，计算样本与gt的重叠率。选出重叠率小于negThr_init（0.5）的样本，随机从中选择最多200个作为负样本。

正样本还是之前选出的最多500。

提取这些样本的特征图，并且保存在当前帧（第一帧）的数据库中。

8、下面进入正式的tracking过程。

① 从第二帧开始，以'gaussian'方式生成256个候选样本样本，得到这256个候选样本的卷积后特征，送入fc层，得到fc6二进制输出。

② positive score最高的5个样本，如果其平均得分>0,则这五个样本位置的平均xywh作为预测位置。否则，扩大搜索范围。

③ 利用bounding box回归调整本帧的最终结果。

④ 当本帧的结果的score>0时，则保存本帧的正负样本数据库。

正样本：以'gaussian'方式生成50*2个样本，计算样本与gt的重叠率。选出重叠率大于posThr_update（0.7）的样本，随机从中选择最多50个作为正样本。

负样本：以'uniform'方式生成200*2个样本，计算样本与gt的重叠率。选出重叠率小于negThr_update（0.3）的样本，随机从中选择最多200个作为负样本。

提取这些样本的特征图，并且保存在当前帧的数据库中。

⑤ 更新net的fc层。

当目前帧是10的倍数或者当前帧的score<0的时候，

如果当前帧的score<0，用于short-term的更新，从数据库中提取出最近20帧的正样本和负样本。

如果当前帧的score>0，用与long-term的更新，从数据库中提取出最近100帧的正样本和负样本。

选出hard负样本，并和正样本一起微调net的fc层。

demo_pretraining

在VOT2013，2014，2015上训练，用OTB微调这些

1、构建正负样本

总括：得到VOT2013每个数据集中，每一帧中的50个正样本和200个负样本。并且保存在roidb_中。

同理，得到VOT2014以及VOT2015数据集的正负训练样本。放在一起。（也就是一共有58个训练数据），把这些训练数据roidb保存到models\data_vot-otb\roidb.mat中

这些正负样本是如何得到的呢？

以VOT2013的cup数据的第一帧为例，先在这一帧中生成posPerFrame*5=250个样本，如下：

计算这些样本和这一帧的gt的重叠率，保留重叠率在0.7-1的样本（还剩169个），如下：

从这些样本中随机选出49个（也就是posPerFrame-1，因为还有一个位置是要给gt的），作为正样本。

在这一帧中生成negPerFrame*2=400个样本，如下：

计算这些样本和这一帧的gt的重叠率，保留重叠率小于0.5的样本。再从这些样本中随机选取negPerFrame=200个作为负样本，如下：

把这些正负样本画在一张图上如下：

2、初始化mdnet，设置fc6的1×1×K×2结构，设置最后一层为softmax_k （K指的是训练视频数据的个数，也就是上面提到的58）

也就是构建成了下面这种网络结构：

1、conv1-3直接采用VGG-M的结构和初始化权重，注意新的网络结构里filters对应原weight{1},biases对应weight{2};pad由原来的格式[0，0，0，0],变换为0。

2、添加fc4层和相应的relu和dropout层，fc5层和相应的relu和dropout层，fc6构造为K个分支

注意：fc层的stride为数字1，conv层的stride为数组[1,1]，为了保证fc层的更新，还设置了w和B的倍乘速率和decay）

3、训练MDNet

① 网络参数初始化设定

② 从每个视频数据序列中随机抽取800个(因为要按照每个序列8帧一个batch,一个序列迭代100次来计算)，保存在frame_list里。

③ MDNet

外循环是cycle100，内循环是子序列总数K。

& 构建minibatch

针对每个视频数据，得到前8个乱序的帧作为一个minibatch（这也是为什么上面要取800个batch的原因，因为这里每次取8个，要取100次）。

因为上面已经提到了，每一帧中有50个正样本，200个负样本。8帧就有400个正样本，1600个负样本。从0-400随机抽取32个序号idx，得到长度为32的pos_boxes, 再用pos_idx来标记其所在帧处于8帧里的第几个。同样的方法得到一个minibatch里的96个负样本，然后正负样本拼接起来（共128个样本），并为它们设置label（数字2代表正，1为负)。

& backprop

将label送入loss层，调用mdnet_simplenn，实现网络的前向反向计算。

注意：mdnet_simplenn中softmaxloss_k是作者自己定义的层，是为fc6的多域设计的。

& gradient step

& 打印训练中的信息

按照这种方法，进行训练：

即，SGD迭代，每一次迭代中只涉及一个特定类别。在第i次迭代中，mini-batch中只包含来自第（i mod K）个序列的样本，特定目标分支网络中也只激活第（i mod K）个分支。

通过这个学习过程，类别无关的信息就被学习到并保存在共享层中，这些信息是非常有用的泛化特征表示。

但在训练完毕之后，会进行这样一步操作：

这就是本文的测试和训练的网络结构的不同之处。不同的地方在于：测试的时候将最后的多个 fc，换为一个 fc，用来计算最终的目标得分。也就是用一个新的分支层代替训练阶段的K个分支层连接共享层。共享层和分支层在跟踪过程中在线的继续微调，来适应新的domain。Online的更新是为了建模 long-term 和 short-term 的表观变化 ( appearance model )，分别是为了得到更好的 robustness 和 adaptiveness 。在进行学习的过程中，采用了 hard negative mining techique。

关于为啥要把原图变成107大小的，一篇博客的解释很棒。https://www.cnblogs.com/qq552048250/p/7994721.html

解释：

首先MDNet的网络结构如下：

input: 107*107@3

conv1: filter:7*7

stride:2*2

output：51*51@96 where,51=(107-7+1)/2

pool1: filter:3*3

stride:2*2

output:25*25@96 where,25=(51-3+1)/2

conv2: filter:5*5

stride:2*2