物体跟踪-CVPR16-tracking[下]

接着上一篇博客，今天对剩下的文章进行简单总结，同样，文章只对paper的主要特点，和流程框架进行总结，具体细节尽可能不涉及。

一，Recurrently Target-Attending Tracking

首先介绍这一片文章，作者主要将RNN运用到物体跟踪上，主要想解决遮挡等问题。其实这篇文章思路和KCF和SRDCF思路一样，只是将其与RNN进行了结合，而且作者在公式说明上写的很复杂，其实原理并不复杂。简单的理解作者的贡献就是：通过RNN获取considence map,并将其作为SRDCF惩罚项w的值（原始SRDCF惩罚项是Gauss分布的值来抑制boundary effect,作者要用RNN来获得w是期望提高没有遮挡部分的impact,降低遮挡部分的影响，而且具有context信息，从而提高算法对遮挡的鲁棒性）。

• 特点：
  • 将RNN运用到tracking,结合grid思想，将区域划分为grid,并对每个grid进行四个方向RNN。
  • 将RNN的得到的结果（confidence map）用初始化SRDCF loss function的惩罚项。
  • 作者给出的实验结果（只给出了filter based methods的比较）来看，效果还可以。但是速度慢：4fps

本文首先将候选区域进行grid划分，然后对其提取特征，将每一个grid区域进行四个方向的RNN，然后叠加得到RNN输出的confidence map。那么为啥要用到RNN呢，并且划分grid呢？

1. 首先grid主要是part-based思想的运用。可以通过mask控制grid，从而期望解决（目标被）遮挡问题。
2. RNN比其LSTM来说，RNN具有low-freedom parameter space,而跟踪问题本身样本少，容易overfit,RNN这一性质可以缓和过拟合。

在RNN阶段，作者利用softmax来获取confidence map,并肩这个值作为如下公式中的W(如下公式其实就是SRDCF中的loss function),用该loss function 训练滤波器。求解过程和SRDCF一样。

• 说到这里，这下可以直接给出作者的pipeline了：