基于Deep Learning的跟踪算法总结（三）

本文是博主对最近看的相关跟踪算法的总结，其中的算法有一些不是基于深度学习的。另外本文只是对各篇论文的核心亮点简单描述，同时加上博主自己的一些看法。本文仅作为学习笔记，供学习交流，如果有什么错误或疑问，欢迎留言。

微博：王弗兰克
http://www.weibo.com/u/5685912711?refer_flag=1005050010_
知乎：王弗兰克
https://www.zhihu.com/people/xue-sheng-er-yi/activities
Github：Frank Wang
https://github.com/frankmiracle

这里提供两个链接，供大家学习参考。
目标跟踪专栏（目前在更新）：https://zhuanlan.zhihu.com/visual-tracking
”小白在闭关“个人博客：http://wh1te.me/index.php/tag/tracking/

一、压缩跟踪（compressive tracking）

简称CT，发表于ECCV2012，升级版发表于PAMI2014，简称FCT。

本文的核心在于使用压缩感知的方法来进行特征表示，实现了降维，同时得到的低维信号可以保持高维信号的特性。

压缩感知请参考：
http://blog.csdn.net/zhang11wu4/article/details/19699763

二、ECO（ Efficient Convolution Operators for Tracking）

论文链接：
http://link.zhihu.com/?target=https%3A//arxiv.org/pdf/1611.09224.pdf

本文主要解决三个问题：
1、模型大小（使用了CNN提取特征的跟踪算法，参数过多，导致速度慢；又由于训练数据少，容易过拟合）；
2、训练集大小（这里所指的训练集是指保存了每一帧的跟踪结果的训练集，所以随着跟踪的进行，训练集越来越大，一般的解决方案是保存比较新的样本，丢弃老的样本，这样一来，模型还是容易过拟合。因为当目标被遮挡或者丢失的时候，比较新的这些样本本身就是错的，那么模型很容易有model drift，就是被背景或者错误的目标污染，导致跟踪结果出错。）；

3、模型更新（显然，模型如果每帧都更新，速度肯定比间歇更新要慢）。

本文的核心是Factorized Convolution Operator（因式分解的卷积操作）。其作用主要是为了降维。另外，通过改变训练样本的分来，减少了数据的冗余。更新规则是目前比较通用的，每隔几帧更新一次，这样可以避免模型漂移。

因式分解卷积以及算法的流程请参见：
http://blog.csdn.net/discoverer100/article/details/62885860

三、TCNN（Modeling and Propagating CNNs in a Tree Structure for Visual Tracking）

论文链接：
http://link.zhihu.com/?target=https%3A//arxiv.org/pdf/1608.07242.pdf

这篇其实刚刚是上一篇文章的精炼，这里稍微提一下。
http://blog.csdn.net/whfshuaisi/article/details/70228930

本文的核心在于使用了树状CNN结构，可以理解为跟踪的每个阶段都训练出新的CNN，即每个CNN学习到的特征是目标在不同阶段的特征，最后结果由多个CNN加权求和得到。因为之前的信息也能被CNN捕获，并且对最终结果有一定权重，所以可以减少模型飘移。

四、Staple:Complementary Learners for Real-Time Tracking

论文链接：
http://link.zhihu.com/?target=http%3A//arxiv.org/pdf/1512.01355
代码链接：
https://github.com/bertinetto/staple

本文的核心在于考虑了两种特征的结合，即Learning the template score（Hog特征）+ Learning the histogram score（简单的颜色直方图）。

相关滤波用HOG特征时对运动模糊和照度很鲁棒，但是对形变不够鲁棒。而颜色直方图对形变则非常鲁棒。毕竟一个目标有了形变后，整个目标的颜色分布是基本不会变的。另一方面，颜色直方图对光照变化不鲁棒，这一点又可以由HOG特征进行互补。

五、MDNet: Learning Multi-Domain Convolutional Neural Networks for Visual Tracking

论文链接：
http://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Nam_Learning_Multi-Domain_Convolutional_CVPR_2016_paper.pdf
代码链接：
https://github.com/HyeonseobNam/MDNet

本文发表于2015年。2015年底的时候，Visual Tracking领域继Object Detection之后，陆续将CNN引入，但是大部分算法只是用在大量数据上训练好的(pretrain)的一些网络如VGG作为特征提取器，结果证明确实用了CNN深度特征对跟踪结果是有较大的改进的。那么其实自己设计一个网络来做跟踪是大家都能够想到的思路，Korea的POSTECH这个团队就做了MDNet。

本文的核心在于提出了Multi-Domain Network，多域学习的网络结构。

直接用视频数据来进行训练，从视频中随机采取8帧作为一个mini-batch，然后在这8帧里随机采取正负样本。鉴于不同的视频里，目标不同，所以，MDNet重新设计了网络结构，即fc6层是针对不同视频的。这样的训练来学得各个视频中目标的共性。训练好的网络在做test的时候，会新建一个fc6层，在线fine-tune fc4-fc6层，卷积层保持不变。

模型更新方面，采用采用long-term和short-term两种更新方式。

---

六、GOTURN（Generic Object Tracking Using Regression Networks）

第一个做到100FPS的深度学习跟踪算法——GOTURN。

本文的核心在于不对patch进行classification，而是对object的bounding-box进行回归，以获得更高的FPS。

输入是当前帧和上一帧。

两种假设：
网络比较前后两帧，并找到目标在当前帧的位置，有点verification的意思；网络就想一个通用的object detector，找到最近的目标。

当当前帧出现较为严重的遮挡/相机运动，此时tracker可以从前一帧中获得非常大的性能提升，因为tracker记住了哪个objcet是要跟踪的，这种情况中，第一个假设扮演了重要的角色。而当帧间变化剧烈时，相邻帧的比较更为困难，此时假设二占主导，tracker表现的像一个通用object detector

---

最后，自己这段时间也把目标跟踪方向的经典论文看了一遍，这里对这个方向做个简单的梳理。

总结：

①目前目标跟踪主要分为两大类：基于相关滤波和基于深度学习。需要注意的是，因为训练数据缺失的问题，这一领域暂时未被深度学习完全统治。
②顶会上目标跟踪论文主要有两类：拼精度和拼速度。精度和速度一直是跟踪领域的矛与盾。相比而言，基于深度学习方法的模型精度更好，但基于相关滤波（可以用FFT加速）的模型速度快很多。
③目标跟踪≠目标检测。
参考：https://www.zhihu.com/question/36500536
④遮挡和剧烈形变，是目标跟踪需要解决的关键问题。解决方法主要是使用long-term和short-term两种更新方式。上面提到的TCNN其实也是这种思想。
⑤目标跟踪论文的不同之处主要在于：训练数据的处理，模型的结构，更新的规则。
⑥总的来说，读论文时，目标跟踪相比与目标检测，路线不是那么明确。因为目标检测有RCNN系列，以及一连串改进，最后是基于回归方法的YOLO和SSD嘛。但目标跟踪就比较杂，不好梳理发展的路线。

展望:

最近GAN应用在了目标检测上，可以生成辅助样本。博主目前在想如何把GAN应用在目标跟踪上（也许已经有相关论文，欢迎指出）。同时，关注到3D Vision有崛起的势头（之前有3D CNN），因为3D模型在跟踪场景其实更直观明了，所以考虑是不是不要把视频样本当成是一帧帧2D图像来处理，我对这个方向目前没什么头绪，不知道今年CVPR放出来有没有相关论文，欢迎有研究的同学留言交流。