论文全名：Real-Time MDNet（RT-MDNet）

论文摘自ECCV 2018，由Ilchae Jung（Github网址）、Jeany Son、Mooyeol Baek、Bohyung Han撰写，

作者（与MDNet作者属同一个导师）来自韩国浦项理工大学。

摘要

提出基于MDNet的快速且准确跟踪算法

（1）通过感受野的高分辨特征图来区分目标和背景，通过改进RoIAlign加速特征提取，

（2）在嵌入空间中，通过mutli-task损失有效地区分目标，对具有相似语义的目标加入了具有辨别力的参数。

结果：与MDNet相比速度提高了25倍，精度几乎相同。

1  前言

提出问题：

【1】MDNet缺陷：（1）在时间和空间方面具有很高的计算复杂度。（2）对潜在目标没有进行模型提取优化。

【2】目前避免冗余方法的缺陷：（1）Fast R-CNN：在网络特征映射中使用RoIPooling，但特征映射粗略量化，导致定位差（2）Mask R-CNN：RoIAlign（基于双线性插值）在RoI尺寸很大的情况下会丢失对目标有用的localization。

【3】CNN的缺陷：对类内对象差异不敏感。

解决方法：

提出基于MDNet的RT-MDNet算法：

（1）对于前面的全卷积特征映射，用RoIAlign层（mask R-CNN）提取对象表示：构建高分辨率特征图，扩大每个激活的感受野。

（2）在预训练阶段引入嵌入损失，并聚合到原MDNet中二分类损失中。

主要贡献：

•提出一种MDNet和Fast R-CNN跟踪算法：用改进的RoIAlign来从特征图中提取目标候选，并改善目标定位。

•学习一个嵌入空间来区分跨多个域的具有相似语义信息的目标。

•与MDNet相比速度提高了25倍，精度几乎相同。

2  相关工作

【1】相关算法思想

基于深度网络的相关滤波算法（精度高，但速度慢）：C-COT、ECO、HCF、CREST、MCPF；

基于CNN的跟踪算法（精度不高，但速度快）：GOTURN（Siamese-fc的另一版本）、Siamese-fc、EAST。

滤波器特征进行了Hand-crafted（精度高且速度快）：BACF（通过更多的背景来学习相关滤波器）、PTAV（使用FDSST进行跟踪，并与Siamese深度网络进行检测验证）、ECO（集成多分辨率深度特征）

【2】提出问题

区分了目标与背景，但对相似目标却不敏感：MDNet、Siamese-fc、CFNet、CFCF（VOT2107性能No.1）。

【3】为了解决【2】中的问题：

R-CNN（提取特征复杂度高）----->Fast R-CNN（提出RoIPooling但由于粗特征导致定位差）----->mask R-CNN（提出RoIAlign，使用双线性插值近似特征，实现定位）

3  网络架构

输入：3x107x107图像 + 一组proposal边界框

整体过程：

【1】网络通过单个前向传递计算图像的共享特征，然后用自适应RoIAlign提取出每个RoI的CNN特征（效果：提高特征质量，降低计算复杂度）

【2】将计算的每个特征送入全连接层（区分目标与背景），然后送入FC6层（归一化交叉熵损失的二分类），其中，微调使用初始帧的目标框。

对于【1】：自适应RoIAlign

问题：（1）原始RoIAlign提取的特征较粗略，需要构建一个具有高分辨率和丰富语义信息的特征映射。（2）普通RoIAlign仅利用特征映射中周围的grid点来计算插值

方法：

（1）如图2所示，作者将原VGG-M中conv2层后面的最大池化层移除，在conv3层中以速率r = 3来扩张卷积，

（2）在自适应RoIAlign层使用双线性插值（大小由RoI决定：，其中为conv3层后RoI的宽度，为RoIAlign层后RoI的宽度，[·]是舍入算子）计算，生成512x7x7的特征图，最后再经过一个最大池化层生成512x3x3的特征图。

效果：送入自适应RoIAlign时，特征图放大了两倍（提取高分辨率的特征），提高特征的质量

对于【2】：判别嵌入

问题：MDNet仅区分不同域中的目标和背景（CNN的分类特性），却无法区分其具有相似语义信息的前景目标

方法：

（1）提出嵌入损失：在共享特征空间中，不同域中的目标嵌入时互相远离。学习看不见的目标的判别表示。

（2）提出损失约束：将多个视频中的前景对象嵌入进去。

具体思想：

FC6输入：d-domain中的输入图像和边界框R

FC6输出：

（1）分数，其中，为d-domain中2D二分类得分，D是训练集中的domain数（ImageNet2015随机抽取的100个视频）。

（2）归一化函数定义为：（对比domain中目标与背景的二分类得分），（对比所有domain中判别正样本得分）。

（3）在第k次迭代中（网络更新与否取决于），

损失项：（二分类损失）与（判别损失），

其中，（求余运算）；

为GT的0-1二分类编码；

=1表示在d-domain中边界框为c类别，否则为0；

（4）定义损失函数：，

其中α是控制两个损失项之间平衡的超参数（设为0.1），与MDNet相同，作者在每次迭代中只处理一个domain。

4  跟踪测试

跟踪算法的管道几乎与MDNet [1]相同。全连接层（fc4-6）：（1）对于初始帧，进行微调；（2）对于后续帧，在线更新，同时修复卷积层。

【1】实施过程：输入第t帧时，通过之前帧的高斯分布生成一组样本，得到最高分数：，与MDNet在线跟踪相同，为第t帧的第i个样本的正分数，不同的是，这里的函数为三维空间上的计算（平移缩放）。

【2】对边界框回归：利用初始帧RoIs提取的特征训练线性回归器（与MDNet边界框回归相同），在后续帧中，如果，则通过之前的回归器调整目标区域。

【3】模型更新：与MDNet相同，执行Long-term update+Short-term update。（训练时，在多次迭代中累积后向传递的渐变：设定每50次迭代更新模型）（测试时，每10帧进行一次Long-term update）

【4】提取负样本：与MDNet提取负样本相同，采用难分负样本挖掘思想：通过在每次迭代时使用32个正样本和96个负样本（从1024个负样本中选择最好的96个负样本）组成的小样本来测试。

【5】具体细节：

（1）初始化：

conv1-3的权重：用ImageNet2015训练的VGG-M网络；全连接的层随机初始化。最后一个卷积层中感受野大小等于75×75。

（2）训练数据（ImageNet2015中近4500个视频）：

训练：对于视频的每次迭代，随机取8帧，从每帧中取32个正样本（IOU0.7）和96个负样本（IOU0.5），组成一个小批量样本（256个正样本和768个负样本）

测试：（与MDNet相同）对于初始帧，取500个正样本（IOU0.7）和5000个负样本（IOU0.5）；对于后续帧（将之前所有帧用于在线更新），取50个正样本（IOU0.7）和200个负样本（IOU0.3）

（3）网络：

训练：采用随机梯度下降（SGD）方法进行训练，需要1000次迭代，学习率为0.0001

测试：对初始帧50次迭代，对后续帧为15次迭代，学习率为0.0003，注意，fc6的学习率fc4-5的10倍（与MDNet测试类似）。

动量（0.9）和权重衰减（0.0005）。注意：保留特征表示（而非图像信息）以节省时间和内存

（4）平台：

PyTorch，3.60 GHz Intel Core I7-6850K + NVIDIA Titan Xp Pascal GPU。

5  实验

训练集：ImageNet2015（MDNet、MDNet+IEL、RT-MDNet）

评估数据集：OTB2015，UAV123（2016），TempleColor（2015）

评估标准：OPE

评估指标：中心位置误差和边界框重叠率。

算法比较：

【1】OTB2015

准确性稍差原因：基于CNN的跟踪器的固有缺点；RoIAlign在高精度区域的目标定位的局限性。

缺陷：对遮挡、突然大的运动和平面外旋转性能不佳。

【2】TempleColor2015

【3】UAV123-2016

* RT-MDNet 消融研究

训练集：VOT2013，VOT2014和VOT2015

测试集：OTB2015