（转）CVPR 2016 Visual Tracking Paper Review

　　CVPR 2016 Visual Tracking Paper Review 

本文摘自：http://blog.csdn.net/ben_ben_niao/article/details/52072659   

　　　　　http://blog.csdn.net/ben_ben_niao/article/details/52078727

做了一段时间的跟踪，最近CVPR大会也过了一段时间了，这次将CVPR2016跟踪的文章做一次总结，主要是对paper的方法，创新，改进等方面进行介绍和总结。具体的实现细节不进行总结，

今年来涌现了很多做跟踪的文章，但是目前多少的方法很难达到一个预期的效果。目前的跟踪主要有主要有如下几大难题：

1. 解决快速移动问题。这个问题其实是算法速度的问题，通常的做法是在一个搜索区域进行跟踪，这样对快速移动物体的鲁棒性较低，如果索索区域越大，算法耗时，怎么权衡这两者的关系是一大难题。
2. 解决遮挡，形变问题。由于跟踪问题online的样本太少，当物体遮挡，形变后,比较难跟踪。遮挡的情况有多种，要解决的是一个综合问题。目前深度学习的方法因对遮挡的效果明显比传统的算法好，但是速度是一大瓶颈。
3. 速度问题。速度问题可以说是与上述两个问题互斥，最后都是各个问题的综合权衡。一般来讲，传统的算法速度比基于深度学习的方法快，但效果却不及。

今年的CVPR2016中，其实好多文章很早网上就有了，在这了也是对以前的一个总结。

一，Adaptive Decontamination of the Training Set:A Unified Formulation for Discriminative Visual Tracking

这篇文章的作者为SRDCF的作者，主要解决从训练样本进行改进。效果提升不少。

• 特点：
  • 利用样本的quality来训练样本的权重。期望提高有较高quality的样本的impact,降低较差样本的影响。
  • 将样本的quality融合到现有的loss function,从而达到同时训练求解。
  • 效果.和SRDCF相比，在OTB15数据集IoU=0.5时，OPE提升从60.5%提升到63.4%，也不错，而且该思想可以用到很多算法上，扩展性较强。

其实本文的想法很简单，可信度越高的训练样本，给较高的权重，相反则降低。这种思想很多地方都有，关键是怎么设计loss function达到作者的目的，在一个层面上，作者是第一个实现并结果尚佳的。相比以前，最简单粗暴的方法就是通过设定一个阈值,低于阈值的sample认为quality太低，直接舍弃，相反则保留，或者将score作为样本的权重。hard negative也是解决样本的其中一个流行方法。而本文作者的方法是，通过训练得到样本的权重。

• 作者设计的代价函数如下（求解：两步法，固定一个求另一个，然后固定另一个...交替循环求解）：

• 直观的感受一下效果如下：

二，STCT: Sequentially Training Convolutional Networks for Visual Tracking

这篇文章是港中文大学王晓刚之作，主要解决的还是训练样本太少造成的over-fitting问题。

• 特点：
  • 将每个channel的feature map作为一个based-classifier,并且每一个channel的based-classifier的loss设计不同.
  • based-classifier根据相关性来选取(前一个based-classifier会作用当前这个based-classifier的选取),尽量不相关（类似PCA）。
  • 在convolution上用mask进一步防止over-fit（其实类似fc的dropout，只是说法不同）。

• 上述中，第二点为主要特点，整文基本围绕第二点来设计，对此作者在pre-trained的网络后面额外加入两层网络，并且这两层网络并不是全连接，pipeline如下:

三，Staple: Complementary Learners for Real-Time Tracking

这篇文章主要是从特征结合方面入手，对跟踪算法进行改进。给我们提供了一种有效的结合方式，并且作者release的速度达到80fps[i7 core],这一点相当有意义。

• 特点：
  • 将Hog特征和color（直方图）特征进行有效的结合，在保证效果的基础上速度达到80+fps.
  • 提出了一种有效的特征融合方法，以及代价函数的设计和求解。

那么为什么要进行这样的融合呢？首先，hog特征是基于cell_size的梯度统计特征，局部鲁棒性较好，但是对全局的形变，效果不太好，而color直方图统计基于全局，能有效的弥补这一缺点，所以作者采用的是这两种特征的融合。

• 作者设计的score function为：

其实最low的组合是将特征融合在一起，然后用一个跟踪算法算得score.当然作者并非采用的这样方法，而是采用更复杂的方法。作者是从score(即responce)方面进行融合，也就是算法包括两部分：

1. 计算hog特征，进行filter滤波跟踪算法，得到f_tmpl的score。
2. 计算color直方图特征，等，得到f_hist的score.
3. 将两个score进行组合。

这样融合，在两种特征计算滤波器也要单独计算，这样也使得整个过程稍微复杂了。

• 直观感受作者的pipeline:

四，Siamese Instance Search for Tracking

这篇文章思路很简单，直接训练一个Siamese网络，然后进行比对，判断是不是相同。其实就是一个Re-ID的过程。之所以在这里列出这篇文章，是因为在特定的场合可以和检测相结合来跟踪，弥补检测速度比跟踪慢以及Re-ID的问题。

• 特点：
  • offline训练Siamese网络,online直接选择候选区域和第一帧的groundtruth对比,然后对通过的候选区域做BBox回归，得出最终的BBox。
  • 缺点很明显，遮挡，形变，类内区分等鲁棒性低。

• 直接上网络图：

五，Beyond Local Search: Tracking Objects Everywhere with Instance-Specific Proposals

这篇文章在vot2015年就出来了，当时叫：“Tracking Randomly Moving Objects on Edge Box Proposals”，这篇文章主要是结合全局proposal来解决fast motion的问题。

• 特点：
  • 将检测中的proposal的思想用到跟踪里。使跟踪的候选区域既包含局部的搜索区域，也包含全局的一些proposal，从而提高对快速移动物体的鲁棒性。
  • 提取全局proposal：将目标区域划分为10个子区域，将子区域的特征进行组合，来计算全局的proposal.
  • 提取proposal所用到的特征和最后跟踪所用到的特征是不同的特征。

• 其中，本文最主要的特点为上述的第二点，为了直观理解，直接上第二点的图：

• 文章的pipeline:

参考文献:

[1],Adaptive Decontamination of the Training Set:A Unified Formulation for Discriminative Visual Tracking

[2],Staple: Complementary Learners for Real-Time Tracking

[3],Siamese Instance Search for Tracking

[4],Beyond Local Search: Tracking Objects Everywhere with Instance-Specific Proposals

[5],STCT: Sequentially Training Convolutional Networks for Visual Tracking 

接着上一篇博客，今天对剩下的文章进行简单总结，同样，文章只对paper的主要特点，和流程框架进行总结，具体细节尽可能不涉及。

一，Recurrently Target-Attending Tracking

首先介绍这一片文章，作者主要将RNN运用到物体跟踪上，主要想解决遮挡等问题。其实这篇文章思路和KCF和SRDCF思路一样，只是将其与RNN进行了结合，而且作者在公式说明上写的很复杂，其实原理并不复杂。简单的理解作者的贡献就是：通过RNN获取considence map,并将其作为SRDCF惩罚项w的值（原始SRDCF惩罚项是Gauss分布的值来抑制boundary effect,作者要用RNN来获得w是期望提高没有遮挡部分的impact,降低遮挡部分的影响，而且具有context信息，从而提高算法对遮挡的鲁棒性）。

• 特点：
  • 将RNN运用到tracking,结合grid思想，将区域划分为grid,并对每个grid进行四个方向RNN。
  • 将RNN的得到的结果（confidence map）用初始化SRDCF loss function的惩罚项。
  • 作者给出的实验结果（只给出了filter based methods的比较）来看，效果还可以。但是速度慢：4fps

本文首先将候选区域进行grid划分，然后对其提取特征，将每一个grid区域进行四个方向的RNN，然后叠加得到RNN输出的confidence map。那么为啥要用到RNN呢，并且划分grid呢？

1. 首先grid主要是part-based思想的运用。可以通过mask控制grid，从而期望解决（目标被）遮挡问题。
2. RNN比其LSTM来说，RNN具有low-freedom parameter space,而跟踪问题本身样本少，容易overfit,RNN这一性质可以缓和过拟合。

在RNN阶段，作者利用softmax来获取confidence map,并肩这个值作为如下公式中的W(如下公式其实就是SRDCF中的loss function),用该loss function 训练滤波器。求解过程和SRDCF一样。

• 说到这里，这下可以直接给出作者的pipeline了：

• 效果（遗憾的是，并没有和SRDCF的比较）：

二，Hedged Deep Tracking

这篇文章为Ming-Hsuan Yang之作，由于高层卷积具有一定的语义信息，而位置信息却不够精确，而对于跟踪来讲，位置信息也很重要，所以本文主要是想通过这两者的一种结合。对不同卷基层的特征进行单独处理，最后将每一层特征获得的responce map做一个线性组合，得到最终的结果。

• 主要特点
  • 对每一层的特征进行训练，得到滤波器（文章称为weak tracker，用的KCF算法）,然后将weak tracker进行线性组合,得到stronger tracker(类似boosting).
  • 组合采用的是Hedge 算法。
  • 效果还可以，相比MEEM来说提升不少（相对现在的冠军来说应该是差一些）。

• 所以很容易理解作者的Pipeline:

从上面可以看出，主要就是滤波器和Hedge组合算法的运用。文章采用的是KCF算法，由于第一次接触Hedge算法，所以在这里对算法思路进行讲解。

由上面可知，每一个weak tracker都会有对应的responce map,那么hedge算法是怎么组合在一起呢？

• Hedge算法进行滤波器的组合：
  • detection利用的组合公式如下，利用该公式即可进行跟踪。

• train,有了前面detection的跟踪结果后，怎么update呢（其实就是update上式中的w_t）？首先利用每个weak tracker的responce map计算一个loss,公式如下（S表示Score或者responce Map,k为weak tracker）：

然后利用的度量式子（regret measure）为：

    其中：

那么最小化如下的代价函数即可跟新w_t的值：

到此算法跟新完毕！

三，Hierarchical Convolutional Features for Visual Tracking

这篇文章是ICCV15，但是和上文关系很大，同样是Ming-Hsuan Yang之作，同样是想结合高底层的特征进行组合。只是和上文不同的是（上文是训练多个weak tracker，然后组合得到stronger tracker）:这篇文章是利用高层的进行粗定位，然后类似金字塔搜索从上往下进行由coarse-to-fine进行搜索（其实就是金字塔的搜索思想）。同上，也用的kcf算法。

• 所以主要特点：
  • 金字塔搜索策略用到不同的卷积特征层，实现从上往下，从coarse-to-fine的匹配搜索(文中叫Hierarchical)。
  • 缺点：很明显，如果高层定位偏差太大，那么会导致最终结果的错误。
  • 作者也提到其他的缺点：高层的特征对光照鲁棒性较低（很好理解，高层更多的语义信息，较少的discriminal）

• 根据上面的特点，pipeline为：

作者将这三层的responce map可视化为如下：

• 作者从上到下，从coarse-to-fine的score计算公式为：

未完待续！

参考文献：

[1],Recurrently Target-Attending Tracking

[2],Hedged Deep Tracking

[3],Hierarchical Convolutional Features for Visual Tracking