GOTURN——Learning to Track at 100 FPS with Deep Regression Networks

文章的题目叫：《Learning to Track at 100 FPS with Deep Regression Networks》
算法简称：GOTURN（Generic Object Tracking Using Regression Networks）
作者是斯坦福的David Held
文章以及附件：http://davheld.github.io/GOTURN/GOTURN.html
算法源码：https://github.com/autocyz/GOTURN

1、算法速度

当我第一眼看到文章题目时，真的被吓一跳，用深度网络做跟踪能达到100FPS？
are you kiding？
再一看， 哦，原来是在GPU上跑的。
But，即使是GPU这也还是很快啊，别的用深度网络做跟踪的能达到10FPS就very well了！

在看文章内容之前，咱们先看看这个算法的速度到底是怎样的。引用作者中的内容：

On an Nvidia GeForce GTX Titan X GPU with cuDNN acceleration, our tracker runs at 6.05 ms per frame (not including the 1 ms to load each image in OpenCV), or 165 fps. On a GTX 680 GPU, our tracker runs at an average of 9.98 ms per frame, or 100 fps. If only a CPU is available, the tracker runs at 2.7 fps.

好一点的GPU，能达到165fps；稍微逊色一点的GPU，能达到100fps；不用GPU呢，2.7fps（对于用CNN做跟踪的，的确是很不错的速度了，鄙人看过一个CNN做跟踪的算法用好的GPU，也才7fps）

　　最近亲自跑了一下，发现速度确实可喜！！！

2、算法整体框架：

图1 算法整体框架1

整个算法实现的框架如上图：作者将上一帧的目标和当前帧的搜索区域同时经过CNN的卷积层（Conv Layers），然后将卷积层的输出通过全连接层（Fully-Connected Layers），用于回归（regression）当前帧目标的位置。整个框架可以分为两个部分：
- 1、卷积层，用于提取目标区域和搜索区域的特征
- 2、全连接层，被当成一个回归算法，用于比较目标特征和搜索区域特征，输出新的目标位置

作者对网络的训练是offline的，在跟踪的时候没有online update的过程。这也是算法速度足够快的一个重要原因，把耗时的计算过程都离线做好，跟踪过程只有一个计算前馈网络的过程，

图2 算法整体框架2

3、算法实现细节

3.1、算法输入输出形式

输入：
在第t-1帧中，假设目标所在位置为（cx,cy），其大小为（w,h），则提取一块大小为（2w,2h）的图像块输入到CNN中。
在第t帧中，也以（cx,cy）为中心，提取大小为（2w,2h）的图像块，输入到CNN中。

输出：
输出目标在第t帧中左上角和右下角的座标。

3.2、网络结构

见图1。
网络的卷积层采用的是CaffeNet的前五层（caffenet：
https://github.com/BVLC/caffe/tree/master/models/bvlc_reference_caffenet）。
并在imagenet上进行了预训练。

后面是3层全连接层，每层都有4096个结点，全连接层之后是一个只有四个结点的输出层，用于输出目标左上、右下的座标。

3.3、网络的训练过程

这篇文章的训练方法比较有意思，在看他如何训练前，先看作者的一些关于跟踪视频序列性质的研究：

对于跟踪问题，一般的当前帧目标的位置和尺度都与上一帧是有关系，这个关系到底是怎么样的暂时没人分析过，作者通过对视频序列中的groundtruth进行研究发现，当前帧目标的位置和尺度变化与上一帧的目标存在着某种分布关系，具体分析如下：

c′x=cx+w⋅Δxc′y=cy+h⋅Δyw′=w⋅γwh′=h⋅γh

上述描述中，cx,cy,w,h 代表的是上一帧目标的位置和大小，c′x,c′y,w′,h′ 代表当前帧目标的位置和大小，Δx,Δy,γw,γh 代表目标位置和大小变化的程度（比例）。
上述公式可以写成如下形式：

Δx=（c′x−cx）/wΔy=（c′y−cy）/yγw=w′/wγh=h′/h

作者通过实验发现，这四个变化因子都符合laplace分布，laplace分布的概率密度函数为：

f(x|μ,b)=12bexp(−|x−μ|b)

其中μ 是位置参数，b 是尺度参数，这个分布的期望E(x)=μ ，方差为D(x)=2b2 ，分布示意图如下：


图3 laplace分布示意图

作者通过统计实验发现上述的四个参数的分布图像如下：


图4 作者实验验证laplace分布

观察上述分布可以发现，Δx 和Δy 符合均值为0，尺度为1/5的laplace分布，γw 和γh 符合均值为1，尺度为1/15的laplace分布。

　　有了上述发现，作者在训练网络时，对数据进行了人工扩充（data augmentation），如图4，在训练阶段，对目标的位置和尺度添加符合上述分布的转换（shift），为了避免尺度变化过大对网络造成不利影响，其限制了尺度变化范围γw,γh∈(0.6,1.4) 。

图5 video data augmentation

另外，他不仅对视频序列进行训练，还对一些单帧图像也进行了训练，实现方法类似于上述的视频数据的data augmentation过程，其对标有groundtruth的图片随机进行位置和尺度的变换，变换的参数也符合上述的laplace分布

图6 image data augmentation

4、扩充实验

作者做了非常多且非常细致、严谨的实验，每个实验都有理有据，实验设置的条件也合情合理，且每个实验都验证了不同的条件或者情形。

一、data augmentation对算法的影响

图7 data augmentation对算法的影响

作者发现，batch size取50，augmented data的个数可以去取0~49，至少保留一个真实样本（因为augmented data都是从这个真实样本变换得来的）。观察上图可发现，性能最好的是batch中有49个augmented data只有一个real data，但是实际上当augmented data的数量高于20的时候，性能基本保持不变了。
作者文章使用的batch size是50，作者对每个图像进行了10倍的data augmentation。

二、全连接层个数对算法的影响

图8 全连接层个数对算法的影响

实验发现，全连接层个数为3时，效果最好。（这说明作者全连接层个数不是乱取的，是有理有据的）

三、多个因素对整体效果的影响

图9 多个因素对整体效果的影响

作者还做了损失函数、motion smoothness （data augmentation）、image data对整体性能的影响，最后发现使用L1 loss + motion smothness + image training + video training是效果最好的。

四、泛化性能实验

图10 泛化性能实验

随着训练视频的增加，算法的泛化性能越好。

参考资料：

1、Learning to Track at 100 FPS with Deep Regression Networks
2、Learning to Track at 100 FPS with Deep Regression Networks - Supplementary Material
3、拉普拉斯分布