Paper速读-[Visual Prompt Multi-Modal Tracking]-Dlut.edu-CVPR2023
文章目录
-
简介
-
关于具体的思路
-
问题描述
-
- 算法细节
-
实验结果
-
- 模型的潜力
- 模型结果
论文链接：Visual Prompt Multi-Modal Tracking
开源代码：Official implementation of ViPT
简介
这篇文章说了个什么事情呢，来咱们先看简单的介绍图
简单来说，这篇文章主要干了这么一个事情：
以前的多模态呢，都是直接提取特征然后拼接到一起。这个文章不一样，我把所有的模态分开主次，其中只有一个主要模态，剩下的都是附加的。这些附加的模态可就不要再提取特征了，而是通过他们来提取prompt出来。并且使用这些prompt来帮助我的模型更好的在主要模态上提取特征。除此之外，还有一个不一样的点就是在主要模态上提取特征的时候，backbone，这里叫fundation model的模型参数是不更新的。
OK，你已经看完这篇文章了。。当然啦，如果还想知道知道更多的技术细节，咱们接着往下看。
关于具体的思路
咱们来看第二张图，模型的详细介绍
这个图其实画的很好，过程非常直观。接下来咱们只需要展开说说其中的细节就可以了
问题描述
首先，我们想要得到的是追踪器，单模态的方法中，假如说叫做F_{RGB} : \{X_{RGB}, B_0\} \rightarrow B，那么B就是目标的box，B_0就是这个框的初始值，X_{RGB}就是需要搜索的帧。那么接下来，在多模态的方法中，加入了一个啥呢F_{RGB} : \{X_{RGB}, X_{A},B_0\} \rightarrow B，变成这个样子了。其中这个A代表的就是其他的模态，比如说深度图，热力图之类的东西。
接下来，我们把问题拆成两个部分，首先是f_1 : {X_{RGB}, X_{A},B_0\}} \rightarrow H_{RGB} 。这个部分表示的是特征提取和交互的部分，之后我们紧跟f_2 : H_{RGB} \rightarrow B ，这个部分也就是最后的预测头。
算法细节
在这里会将一些细节，但是也不会那么细。简单来说是这样的
-
使用类似ViT之类的模型从最初的X_{RGB}得到H^0_{RGB}，接下来就可以进行后续的迭代编码：
-
然后的公式其实就很直观了哈，咱们紧接上一步，接着往下看。首先我们可以知道，通过RGB和补充模态A，我们可以得到两个初始化的值H^0_{RGB}和H^0_{A}。接下来，H^0_{RGB}通入我们的解码器，或者叫Foundation model，而H^0_{RGB}和H^0_{A}被送到一个叫做MCP (modality-complementaryprompter) 的模块里面，这个模块咱们之后细讲。接下来，从MCP学到的prompt就被按照这样的方式使用起来了：
这个其中的P其实就是我们的prompt，H就是我们需要送入下一层解码器的输入。那么这个具体怎么得到呢？咱们再往下看 -
简单来说，MCP就是这个样子：
展开来说呢，H^0 = H^0_{RGB}，P^0 = H^0_{A}。然后P^l表示第l个MCP模块，这个MCP模块具体长成这样：
-
OK，细节基本就是这样，再具体的可以去看一下原来的论文。
实验结果
模型的潜力
- better adaptability than full fine-tuning
- a closer association between RGB and RGB+auxiliary modality tracking, as well as learning about the modal complementarities
- 其实说白了就是更好的适应性和更好的学习能力
模型结果
OK，那么以上就是本篇文章的全部内容了，感兴趣的小伙伴可以点击开头的链接阅读原文哦
关于更多的文章，请看这里哦文章分享专栏 Paper sharing Blog