Abstract

通过将视觉跟踪任务分解为两个子问题（像素类别的分类和该像素处的边界框的回归），本文以逐像素的方式提出了全卷积Siamese网络来解决视觉跟踪问题。

该框架由两个简单的子网络组成：一个用于特征提取，另一个用于边界框预测。

Introduction

视觉目标跟踪的挑战：光照变化、尺度变化、背景杂波、严重遮挡、非刚性对象外观的显著变化…

Siamese网络将视觉追踪任务设定为了一个目标匹配问题，其目的是学习目标模版和搜索区域之间的一般相似性映射。

相关项目的发展流程为：

1. Siamese网络的策略是搜索区域，进行匹配。这要在多个尺度上进行以应对尺度变化。缺点在于耗时；
2. SiamRPN给SIamese连上了一个RPN，用于解决多尺度造成的时间浪费。缺点在于需要预先设定锚框，使得模型对锚框的参数比较敏感。

本文提出的SiamCAR则是anchor-free的。

分类分支旨在为每个空间位置预测一个标签，回归分支旨在将每个位置回归一个相对边界框。

Proposed Method

Feature Extraction

该子网络由两个分支组成，target branch的输入为template patch $Z$；search branch的输入为search region $X$。

这两个分支与其主干模型共享相同的CNN结构。两者输出的feature map分别为$\phi (Z),\phi (X)$。

$R$本来是两个输出做互相关之后的结果。但是这一操作只能生成一个单通道的压缩响应图，缺乏有用的特征和用于跟踪的信息。

本文为了获得更多的信息，所以我们使用深度相关层来生成多个语义相似图：$$R=\phi (X)\ast \phi (Y)$$

其中$\ast$表示的是通道与通道间的相关计算。也就是说R的通道数和两个分支的输出的通道数一致。

原文认为低层次特征对定位来说很有帮助，高层次特征对语义属性的识别很有帮助，所以融合高低层次特征是一种很好的选择。因此，本文结合了最后三个块提取的特征进行连接。
$$\phi (X)=Cat(F_3(X),F_4(X),F_5(X))$$
需要注意的是两个输出都是$3\times 256$维度的特征，最后得到R之后通过$1\times 1$卷积进行降维，这样可以显著减少参数数量。

最后得到的feature map $R^{\ast }$作为分类回归子网络的输入。

Bounding Box Prediction

$R\ast$上的每一个$(i,j)$可以和search region $(x,y)$构建起对应关系。可以认为每一个$(i,j)$是原图锚框的中点。

本文的模型能够直接分类回归每个位置的目标边界框。其中response map $R_{\omega \times h\times m}^{\ast }$，通过两个分支后输出分类特征图$A_{\omega \times h\times 2}^{cls}$以及回归特征图$A_{\omega \times h\times 4}^{reg}$。

对于分类特征图，二分类结果为前景和后景的分类。对于回归特征图，输出的为$(l,t,r,b)$，表示从相应位置到输入搜索区域中边界框四边的距离。

因为目标和背景的比例不是很大，所以样本不平衡不是一个问题。所以我们简单地采用交叉熵进行分类，IOU损失进行回归。

令$(x_0,y_0)$和$(x_1,y_1)$为左上角和右下角的点的坐标（GT）。然后让$(x,y)$为$(i,j)$在search region上的中心点。

于是，回归的目标就能被计算得到$${\tilde{t}}_{(i,j)}^0=\tilde{l}=x-x_0,{\tilde{t}}_{(i,j)}^1=\tilde{t}=y-y_0$$
$${\tilde{t}}_{(i,j)}^2=\tilde{r}=x_1-x,{\tilde{t}}_{(i,j)}^3=\tilde{b}=y_1-y$$

回归损失函数为：$$L_{reg}=\frac{1}{\sum \mathbb{I}({\tilde{t}}_{(i,j)})}\sum _{i,j}\mathbb{I}({\tilde{t}}_{(i,j)})L_{IOU}(A^{reg}(i,j,:),{\tilde{t}}_{(x,y)})$$
I ( t ~ ( i , j ) ) = { 1 , i f t ~ i , j k > 0 , k = 0 , 1 , 2 , 3 0 , o t h e r \mathbb{I}(\tilde{t}_{(i,j)})=\{\begin{aligned}&1,if~\tilde{t}^k_{i,j}\gt0,k=0,1,2,3\\&0,other\end{aligned} I(t~(i,j)​)={​1,if t~i,jk​>0,k=0,1,2,30,other​

保证算进损失函数的距离都是大于0的。

根据观察，远离目标中心的位置往往会产生低质量的预测边界框（单目标跟踪，离这个目标远的位置的边界预测效果不行），这会降低追踪系统的性能。因此，添加了一个与分类分支并行的centerness branch，以去除异常值。

它返回了一个$A_{\omega \times h\times 1}^{cen}$，给出了中心度分数。这个GT得分是这么定义的。$$C(i,j)=\mathbb{I}({\tilde{t}}_{(i,j)})\ast \sqrt{\frac{\min (\tilde{l},\tilde{r})}{\max (\tilde{l},\tilde{r})}\times \frac{\min (\tilde{t},\tilde{b})}{\max (\tilde{t},\tilde{b})}}$$

理想情况下，这个$(x,y)$是尽量在bbox中心的，如果说这个点不在中心，我们就认为它不是这个bbox的$(x,y)$，所以这个得分会比较低。

值得一提的是，如果这一点被判定为背景点，损失函数中是不需要考虑它的中心度得分的。于是，中心度得分的损失函数有：

整体损失函数为：

The Tracking Phase

跟踪的目的是预测当前帧中的目标的边界框。对于一个位置$(i,j)$会产生一个6维的矢量$T_{ij}=(cls,cen,l,t,r,b)$。

在运动过程中，边界框应该是微小变化的，所以我们施加了一个惩罚$p_{ij}$。

于是，跟踪项可以如下书写 q = arg max ⁡ i , j { ( 1 − λ d ) c l s i j × p i j + λ d H i j } q=\argmax_{i,j}\{(1-\lambda_d)cls_{ij}\times p_{ij}+\lambda_dH_{ij}\} q=i,jargmax​{(1−λd​)clsij​×pij​+λd​Hij​}

其中$H$是cosine window，${\lambda }_d$是平衡权重，$q$是有最高得分的目标像素。

因为模型以逐像素的方式解决了目标跟踪问题，因此每个位置都是相对于一个预先设定的边界框的。在实际跟踪过程中，如果只使用一个边界框作为目标框，它将在相邻帧之间抖动。

本文观察到，q周围的像素最有可能是目标像素。所以说，它找了从n个邻居中找了得分最高的k个（根据$cl{s}_{ij}\times p_{ij}$），最终的预测是这k个回归框的加权平均。

值得关注的几个问题

Q1:输入的图片大小不一？

代码中，会将其resize为255255大小的图像。同时模板大小为127127

Q2:在两者做相关性之前，如何得到特征图？

先后经历了backbone和neck两部分。

backbone通常选择为ResNet50，给出了后三层的feature map。

neck为AdjustAllLayer，通过$1\times 1$将这三层调整为256通道。

Q3:两者的相关性计算是如何实现的？

采用了xorr_depthwise函数，实际上为：target的每一个通道在x的每一个通道上做一个卷积。

然后用$1\times 1$卷积降维。

Q4: R*送入的网络是什么样的？

就是Conv+GroupNorm+ReLU的结构，最后用Conv进行分类。其中centerness和cls共享模型

Q5:映射关系？

输入图像被resize为255*255，stride为8，输出shape为25*25。最后对应的坐标从$(0+32,0+32)\to (200+32,200+32)$

Q6:惩罚项？

这个惩罚项是从另一篇论文中提出的，在那篇文章中，目的是为了使一次性检测框架适用于跟踪任务，所以需要提出一种策略来选择候选框。

使用余弦窗口和尺度变化惩罚对候选进行排序。$$penalty=e^{k\times max(\frac{r}{r^{\prime }},\frac{r^{\prime }}{r})\times max(\frac{s}{s^{\prime }},\frac{s^{\prime }}{s})}$$
其中$k$是超参数，$r$代表着候选框高度和宽度的比例，$r^{\prime }$代表最后一帧的比例。$s,s^{\prime }$分别代表着候选框和最后一帧的规模，此处的规模如下定义$$(w+p)\times (h+p)=s^2$$
$p=\frac{w+h}{2}$，是padding。

然后与分类结果相乘就能得到排序的依据。