2020cvpr-Correlation-Guided Attention for Corner Detection Based Visual Tracking

https://www.bilibili.com/read/cv6647311/
论文阅读之2020cvpr-Correlation-Guided Attention for Corner Detection Based Visual Tracking
见上面知乎链接~
基于相关指导注意力的角点检测目标跟踪
多尺度搜索策略在涉及目标变化的挑战中不能估计包围框，故精确包围框估计最近应用较多，能够检测目标角点的跟踪器可以灵活的适应其变化，但是仅依赖基于角点检测的跟踪方法没有取得足够的成功。本文分析失败的原因然后提出了在两个阶段张红执行相关引导的注意力检测的最新技术，首先利用孪生网络区分目标和背景，获得感兴趣的ROI区域，其次，基于像素相关引导的空间注意力模块和通道相关引导的通道注意力模块利用目标模版和ROI之间的关系来突出拐角区域并增强ROI特征以进行角点检测。相关引导的注意力模块提升了角点检测的准确性，从而实现了精确的包围框估计，当使用新的ROI增强策略在大规模数据集上进行训练时，取得了较好的效果。
之前的方法SATIN 以及GOTURN方法缺点：
难以区分目标和非目标的角点
难以有效利用模版和搜索图像之间的关系，虽然互相关操作可以衡量模版和搜索图的相似性，但是角点的空间信息并没有被明确的编码到互相关的结果中

故本文设计了提出先检测包含物体的roi,然后在ROI中精确回归框的两阶段方法，避免了模糊角点的问题，针对问题2很好的利用了模版和ROI之间的关系，传统的互相关方法无法编码角点空间位置，作者设计了一个pixel-wise 相关，将模版的每个点分别与ROI所有点计算其相似度，然后利用空间注意力去强化角点对应区域的特征，还设计了一个channel-wise 相关知道通道注意力来强化特定类别目标响应高的通道，弱化了一些没有影响的通道。针对问题3 采用的是SIAMRPN++的方法。利用Resnet50网络。
整体思想都是先得到ROI区域，然后再ROI中预测点，通过孪生跟踪模块得到一个包含目标的ROI，然后通过两个注意力来提出角点区域并得到目标 最后预测两个角点。