论文来源

论文链接：这里
本文参考：
论文阅读：Siam-RPN
【SOT】Siamese RPN论文解读和代码解析
[深度学习] [目标跟踪] Siamese-RPN论文阅读笔记
【论文笔记】目标跟踪算法之Siamese-RPN
论文阅读，目标跟踪 SiameseRPN

论文背景

一，简介

这篇文章是在SiamFC的基础上改进的，其特征提取网络跟SiamFC一模一样，不同的是引入了目标检测领域的区域推荐网络(RPN)，通过RPN网络的回归避免多尺度测试，一方面提升了速度，另一方面可以得到更加准确的目标框。另一个强大的地方在于，该算法可以利用稀疏标注的数据进行训练，如Youtube-BB，该数据集不是每一帧都有标注，而是隔几十帧标注一帧，这样极大地扩充了训练数据，大家都知道跟踪届的数据是非常宝贵的。要训练一个好的模型，数据量大是关键啊。

二，研究动机

作者将流行的跟踪算法分为两类，一类是基于相关滤波类并进行在线更新的跟踪算法，另一类是使用深度特征抛弃在线更新的跟踪算法，前者严重限制了跟踪速度，后者没有使用域特定信息（即某个特定的跟踪视频的信息）。

作者提出的网络分为模板支和检测支。训练过程中，在相关特征图上执行proposal extraction、没有预定义好的类别信息；在跟踪过程中使用one-shot检测框架和meta-learning。其中，两个原因使得跟踪算法效果很好：大量数据训练；RPN结构使得跟踪尺度和比例都非常好。

三、相关工作

相关滤波类的跟踪算法：GOTURN、Re3、Siamese-FC、CFNet。后两个没有做回归去调整候选框位置，并且需要多尺度测试，破坏了模型的优雅性。

RPN网络：RPN网络广泛应用在目标检测任务中，从RCNN到Faster-RCNN，RPN网络产生proposals代替了原始的selective search方法，提高了检测速度，后来FPN改进了RPN网络，提高了对微小物体的检测能力，以及后来的PRN的改进版本的使用，像SSD、YOLO等都是非常高效的检测器。

One-shot learning：贝叶斯方法和meta-learning方法。后者用新的神经网络估计目标网络前向传播的梯度。（However, the performance of Learnet is not competitive the modern DCF based methods, e.g.CCOT in multiple benchmarks ）

论文理论

注意：

特别注意：RPN首次是从Faster RCNN中引入过来的
如果对其中某些参数不明白，可以参考一文读懂Faster RCNN

网络结构：

1. Siamese Network
2. RPN
3. LOSS计算
4. Tracking

1.Siamese Network

Siamese网络用来提取特征。
该孪生网络接受两个输入，一个叫做template frame(模板帧），是从视频第一帧中人为框出来（可以理解为原图中裁剪的一个区域）的物体位置；另一个输入叫做detection frame(检测帧），是被检测的视频段除了第一帧之外的其他帧。该Siamese（AlexNet)网络将这两个图像分别映射为6x6x256大小的特征图z 和22x22x256大小的特征图 x。

2.RPN

1、在RPN子网络中需要将z的输出通过不同卷积核resize成4×4×2k×256和4×4×4k×256的尺寸，这里k表示k个anchor，anchor的概念在Faster R-CNN中介绍。本文使用一种尺度的anchor，用五种不同的比例，所以这篇文章中k为5；
2、其中2k中两个通道分别表示这个anchor是正样本和负样本的概率，4k表示anchor和ground-truth之间的差别；

3.LOSS计算

SiameseRPN使用的损失函数与faster rcnn的损失函数一样。在分类上使用了softmax，回归bounding box使用了smooth L1损失。这里只简单介绍回归的损失。
首先来看看什么是smooth L1损失函数。
借用一下知乎尹博的图

从图中可以看到，在远离坐标原点处，图像和L 1 L1L1 损失很接近，而在坐标原点附近，转折十分平滑，不像L 1 L1L1损失那样有个尖角，因此叫做smooth L 1 L1L1损失。
smoothL 1 L1L1损失函数的数学表达式为：


（偷偷说一下，代码中的权重为5）

4.Tracking

1.One-shot跟踪：
one-shot检测：
该篇文章是第一次将one-shot策略用在跟踪任务中，这篇文章是讲如何实现one-shot learning的。最核心的思想方法就是通过离线训练的方法得到一个了learner net(文章里简称为learnet)，然后通过在线的方式动态生成一个pupil net的参数，而且learnet只需要一张样本就可以生成pupil net的网络参数。Pupil net可以为分类器或者其他任务。为了简单起见，参数为动态生成的只有其中一层或者两层，如图所示，*代表有参数的层，红色的代表参数由learnet动态生成的。




2.proposals选择策略：

论文的优缺点分析

一、Siamese-RPN的贡献/优点：

1. 提出siamese region proposal network(Siamese-RPN)用于解决目标跟踪问题。该网络可利用“图片对”进行端到端地离线训练；

2. 该模型可将在线跟踪任务转换为one-shot检测任务，而不是使用低效费时的多尺度测试(multi-scale test)；

3. 该模型将SiameseFC和Faster R-CNN巧妙结合起来，让RPN的计算变成并行，大大降低了运行时间，在保证准确率的同时，达到了较高的速度。

二、Siamese-RPN的缺点：

1. 使用第一帧作为模板匹配，对目标巨大变化不具有鲁棒性；

2. 与SiameseFC相比，这篇文章的方法需要对输入图片resize，丢失一些信息。

代码流程

一、训练部分：

9.
9.9日更新：新推两篇文章在这方面讲的也非常好！
RPN的功能实现（流程与理解）
RPN的深度理解(实现层面)

二、跟踪部分

论文翻译

学术词语知识

对于文章的一些学术词语：
one-short Learning：
参考什么是One-shot Learning 、Zero-shot Learning？
meta-learning：
参考：什么是meta-learning?
affine transformation:
参考：仿射变换(Affine Transformation)
ground truth：
参考：机器学习里经常出现ground truth这个词，能否准确解释一下？
还有我找到了一个比较好的关于卷积公式的解释：

Abstract

1. Introduction

2. Related Works

2.1. Trackers based on Siamese network structure

2.2. RPN in detection

2.3. One-shot learning

3. Siamese-RPN framework

3.1. Siamese feature extraction subnetwork

3.2. Region proposal subnetwork

3.3. Training phase: End-to-end train Siamese-RPN

4. Tracking as one-shot detection

4.1. Formulation

4.2. Inference phase: Perform one-shot detection

4.3. Proposal selection

5. Experiments

5.1. Implementation details

5.2. Result on VOT2015

5.3. Result on VOT2016

5.4. Result on VOT2017 real-time experiment

5.5. Result on OTB2015

5.6. Discussion

6. Conclusion