1. 标题及来源

A Twofold Siamese Network for Real-Time Object Tracking, CVPR 2018.

2. 阅读目的

了解注意力机制

3. 领域

object tracking

4. 拟解决的问题

1. 判别能力(discrimination)弱。难以从复杂背景中区分待跟踪目标
2. 泛化能力(generalization)弱。对于目标外观变化或者未知目标，追踪性能差
3. 实时性差

5. 提出的方法

5.1 方法详情

1. 使用通道注意力机制提升判别能力
2. 融合语义特征和外貌特征提升泛化能力

网络结构如图所示。S-Net表示semantic network，A-Net表示appearance network，和SiamFC的网络结构一样
Target表示从第一帧中裁取的片段，Search region表示从待跟踪的帧中裁取的片段。

1. 网络由semantic branch和appearance branch组成
2. 将Target和Search region同时输入到两个分支中
   a) 对于appearance branch，首先将输入图片通过A-Net提取特征，然后通过全连接层，最后计算两个特征的相关性，输出响应图
   b) 对于semantic branch，首先将输入图片通过基于ImageNet训练的CNN提取特征，在训练时固定CNN的参数，即不训练CNN。让S-Net输出最后两层的特征。对于search region，直接对最后两层的特征使用11卷积保证维度一致，可以使其进行相关性计算；对于Target，对两个特征进行crop操作，将输出的特征输入到attention中，然后输出每个维度的权重，将输出的权重和进行crop操作之后的特征相乘，然后将输出的特征进行11卷积保证维度一致，可以使其进行相关性计算。最后计算从Target和seachr region中提取的特征的相关性，输出响应图
3. 在测试时，将两个分支的响应图通过下面公式结合，最大值对应的位置就是待跟踪目标的位置。
   $h(z^s, X) = \lambda h_z(z, X) + (1 - \lambda) h_z(z_s, X)$h(zs,X)=λhz​(z,X)+(1−λ)hz​(zs​,X) $\lambda$λ是一个超参，用来控制两个分支所占的权重，原文中λ取0.3

5.2 注意力机制

注意力机制：

1. 首先使用S-Net提取包含周围环境信息的Target的特征
2. 将输出特征的每个通道作为注意力机制的输入，即channel i
3. 将输入划分为9个单元格，中间单元格的尺寸是6*6，这个也是目标的中心区域
4. 对每个单元格使用最大池化，得到池化后的特征图
5. 通过MLP对这个通道生成一个系数（MLP：含有9个神经元的单层网络，使用ReLu**）
6. 将生成的系数通过sigmoid**得到该通道的比例系数

6. 结果

6.1 OTB实验结果

6.2 VOT实验结果

6.3 消融实验

App.表示appearance model，Sem.表示semantic model，ML表示multilevel feature，Att.表示attention module。通过对比该表的实验结果，第三行表示SA-Siam结合了semantic feature和appearance feature之后的结果，从表中可以发现它的提升非常大。当引入ML和attention module之后，可以发现，它的提升更加明显。

从表中可以发现，单独使用appearance feature或semantic feature或结合appearance feature或结合semantic feature都没有结合appearace feature和semantic feature的效果好。

作者以david和bolt为例，选取了conv4和conv5的权重。

1. conv4和conv5的权重分布完全不同，这意味着注意力机制对使用了多特征融合模块的影响更大
2. conv4中david和bolt的权重分布完全不同，这意味着对于bolt，注意力机制会抑制更多的channel

7. 改进&存在的问题

通过观察论文中的这幅图像发现SA-Siam的鲁棒性确实优于其它算法，尤其是复杂场景的跟踪。即使人为跟踪，我们也可以发现难度非常大。但是这些图像都有一个共性，那就是物体的形变相对较小，没有非常大的形变。同时观察Matrix那个我们可以发现，在#0044那幅图片中，SA-Siam算法的定位框并没有充分定位物体。因此本算法可能会存在以下问题：

1. 定位框的精确度
2. 是否能很好地适应大尺度变化，例如第一篇论文中的那个车
   另外一个问题和第一篇论文中的问题二一样，Precision plots of OPE的值应该是阈值为20时对应的值

8. 可借鉴的点

1. 注意力机制

9. 知识补充

无