目标跟踪之RASNet: Learning Attentions: Residual Attentional SiameseNetwork forHighPerformanceOnlineVisual

论文链接：http://openaccess.thecvf.com/content_cvpr_2018/papers/Wang_Learning_Attentions_Residual_CVPR_2018_paper.pd

摘要：

利用三个attention机制将siamFC网络结构改成端到端的网络，可以缓解过拟合，可提升网络的判别能力和适应能力。这三种attention的提出使得离线训练的特征表示可以适应在线跟踪的目标。

 

 

 

三种attention机制

1、  General Attention：（负责学习所有跟踪目标的共性）【利用先验知识】

在训练的时候得到的一个包含训练样本通用信息的特征图，得到不同的跟踪目标之间的共同的特征。一幅图的不同位置所表达的重要性不同， 该注意力机制要满足中心位置权重大于周围位置，比如高斯分布，实质是利用了目标在目标图像中心位置的先验知识。通过学习生成一个类似高斯框的结构，表征目标的空间信息（可理解为传统相关滤波中的期望的高斯响应的Map）。

2、 Residual Attention：（负责学习不同跟踪目标的差异性）【微调】

通过沙漏网络得到跟踪目标之间的差异的特征图。用于表征目标的语义信息，增加判别能力。

3、 Channel Attention：（负责是模型适应不同的contexts）【SEnet】

经过卷积神经网络提取的特征通常包含多个通道channel，不同的通道得到的特征图不一样，每一层通道代表某种特定的模式信息。在不同场景下，不同通道可能具有不同的具有相异的显著性，通过通道注意力机制来选取对跟踪效果比较好的通道，剔除噪声通道。  

4、weighted cross correlation

用加权相关滤波表示跟踪目标的特征，找到一个响应值最大的跟踪框。 

Dual attention是Residual Attention和General Attention相加的结果，Dual Attention与Channel Attention进行加权相乘得到融合结果。