DaSiamRPN(ECCV2018)论文详解： 朱政- 高性能单目标跟踪算法的探索

ps:此文中的局部全局自适应搜索方案跟我想的简直一模一样啊

 

分类&跟踪  的区别

 

          分类任务         跟踪任务 

            100类              没有固定类别

            识别任务         矩阵学习+边界框回归

输入     图片               视频

DaSiamRPN 基于对siamRP的缺点的解决

存在的问题:

1 视频检测数据集 20 for VID 和 30 foryoutube -BB 有很少的类别，不足以训练高质量的广义feature

2 两个训练数据上的不平衡： 非语义背景 和 语义错误选择

3 大多跟踪器为短期场景量身定做，这里目标总是出现

 

解决办法：

1 通过 增加 ImageNet Detection 和 COCO Detection数据集 增加正样本对 的类别 

2 消除训练样本分布的不不平衡

3 定制针对视觉跟踪的 有效数据增广

4 通过介绍一个简单而有效的局部-全局 搜索区域策略（自适应） 增加 长期跟踪 能力

 

ImageNet Detection

 COCO Detection

imbalance
non-semantic
semantic 
distractor
tailored
scenario
eliminate
distribution
generalized

customizing 定制
augmentation 增加

红色负样本太简单（语义信息太少），这样只能让 分清前景背景。

 

ImageNet Detection 和 COCO Detection 的数据充当正样本，增强分类器的泛化能力

Distractor-aware training  能意识到错误选择的训练

1 不同类的正样本能增强泛化能力

2 有语义的负样本能增加区分能力  (b)同类的负样本 (c)不同类别的负样本（北极熊，猫）

3 为视觉跟踪定制有效数据增广（平移，旋转，光照，运动模糊）

SiamRPN中跟丢了，但是得分还是很高

DaSiamRPN中跟丢了，但是得分降低

高质量跟踪分数，扩大搜索区域，当目标从新出现可以及时跟上

 

snapshot 快照

ablation 消融

 

检测数据的正样本

有语义的负样本

能意识到错误 更新

长时跟踪目标

实验

UAV20L 

AUC                     0.617

20像素 precision 0.838

 

UAV123

AUC                     0.586

20像素 precision  0.796

 

 

2018 72种算法

 

 

成熟算法抠图，拟合框，漏含里面的背景&漏在外面的前景 加权和最小

通过protocol协议与他的工具箱交互,跟踪失败后会被重启

 

 

 

鲁棒性（重启的次数）

精度（平均期望框和跟踪框重叠率）

 

 

EFO 归一化思路指标，600 600做30 30 滤波操作，以此时间评价电脑性能，归一化算法的速度

 

实时比赛

长时比赛

 

平均每段视频12次丢失，每次丢失40帧

absence 缺失

 

起作用的尝试

不起作用的尝试

 

 

F score 0.607 

实时

LT长时