标签：map 训练 取出 ref href 最优 ati tom track
https://blog.csdn.net/sinat_27318881/article/details/84668861
https://zhuanlan.zhihu.com/p/79355209
https://blog.csdn.net/hey_youngman/article/details/90638808
结合IoUNet和深度回归网络，前者用于精细定位和尺度估计，后者用于粗略定位提供候选框。
整个网络包含两个模块：（1）离线学习的目标估计模块；（2）在线学习的分类模块。
1、将目标跟踪分为目标分类和目标评价两个网络部分，前者分类用于粗定位，后者用于精细定位，即两阶段跟踪；
2、目标估计网络使用了ECCV18的IoUNet结构，基于大数据集离线训练，训练时最大化与groundtruth的IoU；
3、目标分类网络使用了深度回归网络结构，由2层卷积层构成，在线训练，根据输出的map选择候选框交给目标估计网络，并且提出了新的快速在线训练方法；
4、性能超过了DaSiamRPN，GPU下达到30fps。
首先说为什么跟踪要把分类和估计分开，因为分类主要用来判断某个位置目标是否存在，而对目标的状态并不敏感，目标状态在跟踪中简化为2D位置和目标框的长宽，这个是目标评价做的事，所以将跟踪框架分成两个任务模块有助于提高整体的性能。
基于CF的跟踪器可以说是一个不错的分类器，它会输出一个响应图，根据最大响应判断目标最可能存在的位置，但是这种方法不能完全估计目标的状态，比如尺度，所以尺度估计一般会使用额外的分类器进行估计。而目标的精确估计需要大量的先验信息，因为如形变这类目标变化是难以单靠跟踪图像的信息进行估计的。所以作者认为SiameseRPN的成功主要依赖于大量的离线训练，但是Siamese方法大部分受限于分类的性能，因为这类方法没有在线训练的过程，而CF方法是有的，所以没有在线训练导致它不能很好的应对跟踪中的干扰，或者说相似的目标，模型更新也只能部分解决这个问题。所以作者提出了一个在线训练的分类器和一个离线训练的评价网络，联合起来解决目标跟踪问题，其实和检测很像了，就是一个两阶段的跟踪框架。
3.1 Target Estimation
1、reference branch通过resnet-18作为backbone提取特征，然后对目标区域进行PrPool (iou-net里的)，最后通过全连接层编码成两个modulation vector。这里只需要进行一次，也就是初始化的时候需要，后面推断的时候就只需要用到保存下来的modulation vector了。
2、test brach也是先用resnet-18对当前帧提取特征，而后对bounding box进行PrPool得到固定尺寸的特征图。这里的bounding box是classifier那边得来的一个大概的框，后面讲那个部分的时候会讲是怎么生成的。
3、使用reference branch生成的两个vector分别对两个特征图进行channel-wise multiplication，也就相当于channel维度上的attention。
4、通过几个全连接层得到预测的iou。
5、对iou求bounding box的梯度，经过几次迭代，调整bounding box最大化iou，得到精细的预测框。
3.2 Target Classification
前面讲的模块的作用是输入一个粗糙的bounding box，通过iou分支优化，得到精细的预测框。但是这个粗糙的bounding box怎么来的呢，也就是文章的另一个主要部分，目标分类（粗定位）。
这里的classifier是一个两层的全卷积网络，通过这个分类头，输出一个置信度图，即可确定目标的大致位置。这里的classifier是在线训练的，也就是在做tracking的时候才临时训练的。为什么不离线训练好一个分类头，在tracking的时候直接用呢？
原因很简单，因为tracking是一个target-specific的任务而不是class-specific的任务，他没有预定义的类别，而只有实体的概念，跟踪的类别是可以任意的。就算你使用了大量的类别来离线训练这个头部，也是不可用的，因为图像中可能包含多个有语义信息的实体，这样的分类器是没有办法区分开这些实体的。所以我们需要使用在线训练的方法，在tracking的时候来临时训练一个分类头部，用于输出目标物体的响应。
由于需要在线训练，也就意味着模型需要快速的训练收敛。
快速收敛：高斯牛顿法、共轭梯度下降法CG
3.3 Online Tracking Approach
1、对于第一帧，模板分支产生调制向量，快速训练classifier。
2、对于当前帧，提取特征，经过classifier确定位置，再结合前一帧的bounding box形状，生成当前帧的初始bounding box。
3、将bounding box传入iou predictor产生预测的iou。
4、通过最大化iou，来优化bounding box，经过几次迭代产生当前帧的预测框。
5、预测下一帧，至步骤2
需要说明的是，步骤2中，作者发现根据位置信息，结合随机的形状生成的多个初始化bounding box能够更好的避免局部最优。这样，也就是通过优化多个bbox，并取出iou最高的三个bbox，取平均得到最后的预测。
ATOM: Accurate Tracking by Overlap Maximization
标签：map 训练 取出 ref href 最优 ati tom track
原文地址：https://www.cnblogs.com/keeplearningLYU/p/14194936.html
