文献：DaSiamRPN: Zheng Zhu, Qiang Wang, Bo Li, Wu Wei, Junjie Yan, Weiming Hu."Distractor-aware Siamese Networks for Visual Object Tracking." ECCV (2018). [paper][github]
文章主要贡献
1.训练数据的扩充
- 加入Detection pair (ImageNet,COCO中做数据增广)
- negative simple in same categories (Called Distractor-aware Training)
- negative simple in different categories (Called Distractor-aware Training)
2.Distractor Model
- 引入Distractor Model,将Proposal与exemplar的相似性度量得分减去所有之前预先得到的Distrator(NMS将网络提出的proposal去冗余,去掉classification score最高的proposal，在剩下的Distrator set 中保留score大于给定阈值的proposal)与当前proposal 的score(相似性度量)的加权和的平均
3.long term Tracking
- 当追丢时用local to global stategy 恒定step迭代的增加搜索区域的大小
具体而言
1. 扩充数据集
 |
 |
 |
|---|---|---|
| detection pairs | negative pair from same categoriess | negative pairs from different categories |
2. Distractor Model
TEST:(Gamma(n)=(n-1)!quadforall ninmathbb N)
传统的SiamTracking是用求相似性度量用以下公式：
[f(x)=varphi(x)*varphi(z)+bcdotmathbf{1}
]
- 作者提出将NMS将网络提出的proposal去冗余,去掉classification score最高的proposal，在剩下的Distrator set 中保留score大于给定阈值的proposal)与当前proposal 的score(相似性度量)的加权和的平均
[q=mathop{argmax}limits_{p_{k}inmathcal{P}}
f(z,p_{k})-
frac{hat{alpha}-sum_{i=1}^{n}alpha_{i}f(d_{i},p_{k})}
{sum_{i=1}^{n}alpha_{i}}]
(mathcal{P}) 是score在top-k的proposal, (alpha_{i})是每个干扰proposal的权重(paper中是全为1), (d_{i})是第 (i) 个 distractor proposal
- 因为自相关操作是线性的，则将(varphi(p_{k}))提出来：
[q=mathop{argmax}limits_{p_{k}inmathcal{P}}(varphi(z)-frac{hat{alpha}sum_{i=1}^{n}alpha_{i}f(d_{i},p_{k})}
{sum_{i=1}^{n}alpha_{i}})*varphi(p_{k})]
3.Long term Tracking
- 当追丢时用local to global stategy 恒定step迭代的增加搜索区域的大小