MDNet视频目标跟踪算法中的重检测机制分析
1. 论文基本信息
- 论文标题：开发多模态卷积神经网络用于视觉追踪
- 论文作者：Hyeonseob Nam（POSTECH计算机科学与工程系）等人
- 论文出处：CVPR 2016
- 在线阅读：https://arxiv.org/pdf/1510.07945v2.pdf
- 源码链接1：https://github.com/HyeonseobNam/MDNet （MATLAB版本）
- 源码链接2：https://github.com/HyeonseobNam/py-MDNet （Python 3.6版本）
本文的参考代码为上述高亮版本的代码。
2. 网络结构图
论文的详细网络结构如下图所示：
3. 重要变量
MDNet算法在跟踪阶段旨在实现更高的鲁棒性，在算法设计中引入了检测机制以应对不同场景下的挑战。首先查阅源码中定义的关键参数设置：包括跟踪窗口大小、目标特征提取尺度以及多尺度融合权重等核心组件参数。
result. 这是一个数组，在计算过程中得到了预设的目标位置坐标[x,y,width,height]。
result_bb. 这是一个数组，在上一步骤的结果基础上进行了回归分析以获得新的预测框坐标[x',y',width',height']。
success. 这是一个布尔类型变量，在当前状态下指示所选目标图像的质量情况。当该变量为1时表明图像可靠可被选中，默认情况下为0。
3. 重检测流程
MDNet中的目标重检测可被看作是两个阶段：定位阶段与边界回归阶段。该算法首先通过MDNet最终分类得分生成对目标的位置预测。具体而言，在256个候选区域的概率得分中实施排序操作，并选取前五名样本计算其坐标参数均值。
为了确定预定位的可靠性，具体步骤如下：选取得分最高的前五个候选样本，并计算其平均得分为；若该平均值大于零，则判定得分为可靠；反之，则判定预定位不可靠。
如果预定位结果稳定，则使用本模型自身设计的边界检测器对上述5个候选样本完成一次边框回归，并以期望获得更为准确的边界坐标信息[x', y', width', height']
如果预定位结果不可靠，就准备在下一帧中扩大搜索范围，以期找回目标。
重检测流程图如下图所示：
Created with Raphaël 2.2.0 开始节点 预定位检测 预定位检测的有效性如何？ 采集前五个高质量样本（k=5） 通过回归器进行边框回归 结束节点 调整采样范围参数 增大该参数值以实现全局搜索下一帧的目标框位置 直接将上一帧的预定位结果作为当前帧的目标框位置