|
|
简介
此算法在SiamFC的基础上增加了语义分支，进一步提升SiamFC的判别力，从而提升了跟踪效果，即使损失了一些速度，但是仍然达到了实时的跟踪速度。总的来说，本文思路简单明了，逻辑清晰，道理透彻，是一个不错的单目标跟踪工作，唯一欠缺的是其仍然沿用SiamFC在跟踪过程中所有帧都和第一帧对比，是该类方法的主要缺陷。
创新点
1：将图像分类任务中的语义特征与相似度匹配任务中的外观特征互补结合，非常适合目标跟踪任务，因此此算法可以简单概括为：SA-Siam=语义分支+外观分支；
2：对于新引入的语义分支，此算法进一步提出了通道注意力机制。在使用网络提取目标物体的特征时，不同的目标激活不同的特征通道，作者对被激活的通道赋予高的权值，此算法通过目标物体在网络特定层中的响应计算这些不同层的权值。
3：Motivation：目标跟踪的特点是，作者从众多背景中区分出变化的目标物体，其中难点为：背景和变化。此算法的思想是用一个语义分支过滤掉背景，同时用一个外观特征分支来泛化目标的变化，如果一个物体被语义分支判定为不是背景，并且被外观特征分支判断为该物体由目标物体变化而来，那就认为这个物体即需要被跟踪的物体；
4：此算法的目的是提升SiamFC在目标跟踪任务中的判别力。作者提出了SA-Siam，这是一个双重Siamese网络，由语义分支和外观分支组成。每一个分支都使用Siamese网络结构计算候选图片和目标图片的相似度。为了保持两个分支的独立性，两个Siamese网络在训练过程中没有任何关系，仅仅在测试过程中才会结合。
主要框架
基于SiamFC修改，Siamese 网络
效果
速度：50fps，
语义分支权重：外观分支权重 = 7：3
OTB实验：OTB-2013（0.896，0.677），OTB-2015（0.865，0.657）
|
|
发表于 2019-3-24 10:55:29
