论文阅读笔记-learning multi-domain convolutional neural networks for visual tracking

论文阅读笔记-learning multi-domain convolutional neural networks for visual tracking

VOT 2015挑战赛的冠军论文，16年又发表在CVPR上，性能很强大，几乎可以称得上是目前跟踪性能最好的一种算法。
铺垫完了之后，说一下该算法的优缺点：
优点嘛，当然是跟的准，基本上形变啊，快速移动啊，光照啊，低分辨率啊，遮挡啊，这些都不是问题；
不过缺点也很明显，那就是慢！官方数据说是一秒一帧就已经很慢了，而在第一帧开始之时单是网络再训练就得十几秒，每隔十帧的网络微调也得花费两倍的时间，中间的九帧倒是差不多一秒一帧。
不过性能好，再慢也忍了，接下来就详述一下这篇论文的内容。

首先，作者抛出了一个引子，说基于分类的网络不适用于做目标跟踪，原因在于，同一个object在不同的序列里可能是目标，也有可能只是一个路人甲，而分类的话不会区分这些；此外，之前那些算法都是为所有的序列学习一个统一的分类器，没有具体区分目标到底是人是鬼，啊不，是人是车，作者觉得这怎么可以呢，我们应该针对每一个序列的目标单独训练其分类器，大家互不影响，这样才对嘛。但是呢，作者又考虑到底层的很多特征是通用的，也是可以互利互惠的，因此，灵机一动，设计出了下图这样的网络结构：



这个网络结构算是比较符合作者的心意了，前面这些层叫shared layers，大家一起公用提提特征啥的，最后一层呢是specific layer，这个就是本文的大特色了，论文的题目multi-domain说的就是这里。这里的特别之处在于，针对每一个训练序列，作者都为它单独分了一个支路，有多少个序列，就分多少支路，这样就实现了作者针对每一个序列单独训练分类器的设想。每一个fc6的分枝都是一个二分类器，来针对这个序列分别给出正负样本的概率得分，是不是听起来就很牛逼的样子。
接着来说说训练网络的一些细节问题，为了在第三个卷积层获得3*3的特征，作者反向推算出输入的图像大小应该是107*107,，所以所有的输入图像大小都是107*107哦；为了有个好的初始化，迁移学习大法好，作者对于前三层卷积层就直接迁移使用了VGG-M训练好的参数，然后用很小的学习率更新，后面全连接层用的随机初始化，学习率是前三层的十倍倍乘。至于输入图像，并不是原图像，而是crop出的部分图像，也就是样本，然后resize到固定大小107*107，再送入网络。
另外一点要说的是，作者到底是如何摆放这些序列的训练顺序的，如果你说一个接一个，一个训练完了再训练下一个呗，那就太naive了，当初naive的我就这样试着训练了一个自以为会很牛逼，结果惨不忍睹的网络，会对最后一个序列过拟合啊亲!  聪明的作者当然也考虑到了这个问题，所以，他在训练的时候，一个序列只训练一个batch，就换下个序列，然后外面用个大循环，多循环几回就把每个序列都训练到位了，是不是很机智。
好，搞懂这些之后，就开始网络训练了，大概个把小时以后，训练过程结束。训练结束也就意味着我们即将告别这些形形色色的fc6各分支同胞们，感谢他们在训练过程中做出的贡献，但是由于这是针对每个序列特有的分类器，而未来的行程中他们将不再有什么价值，所以，这些分支将全被拆掉。取而代之的是一个全新的单个的fc6，在跟踪阶段，我们将会用第一帧的正负样本来对这个新的fc6进行训练，使之成为对当前目标所特有的分类器。与此同时，前三个卷积层参数会冻结，来保留低层通用特征，不进行参数更新，而fc4和fc5会有微微的更新，以适应新序列新目标。
跟踪阶段里，作者也是使用了很多的技巧，至于详情有机会再补喽。