論文地址:https://arxiv.org/pdf/1901.01660.pdf
摘要
目前在孿生網絡追蹤器中使用的主干網絡相對較淺,例AlexNet。本文研究如何利用更深和更廣的卷積神經網絡來增強跟蹤的魯棒性和準確性。使用改進后的網絡直接替換,例如ResNet和Inception,并沒有帶來改進。主要原因是 1)神經元感受野的大幅增加導致特征可辨性和定位精度降低; 2)卷積的網絡 padding 在學習中引起位置偏差。
為了解決這些問題,我們提出了新的殘差模塊,以消除padding的負面影響,并進一步設計使用這些模塊的新架構,具有受控的感受野大小和步長。設計的架構應用于SiamFC+和SiamRPN時保證了實時跟蹤速度。實驗表明,僅僅由于所提出的網絡架構,我們的 SiamFC+和 SiamRPN+分別在OTB-15,VOT-16和VOT-17數據集上,相對于原始版本獲得了高達9.8%/ 5.7%(AUC),23.3%/ 8.8%(EAO)和 24.4%/ 25.0%(EAO)的相對改進。
1.介紹
1.1 相關研究
RPN詳細介紹:https://mp.weixin.qq.com/s/VXgbJPVoZKjcaZjuNwgh-A
SiamFC詳細介紹:https://mp.weixin.qq.com/s/kS9osb2JBXbgb_WGU_3mcQ
SiamRPN詳細介紹:https://mp.weixin.qq.com/s/pmnip3LQtQIIm_9Po2SndA
1.2 本文介紹
我們用更深更廣的網絡取代VGG,Inception和ResNet等網絡的淺層主干網。但這種簡單的替換并沒有帶來太大的改進,甚至可能在網絡深度或寬度增加時導致性能大幅下降,如圖1所示。
圖1:成功圖的AUC與網絡深度和寬度。寬度width是指模塊中分支的數量。通過對 OTB-13 的評估,使用具有不同主干網絡的 SiamFC獲得了這個結果。
分析了Siamese網絡架構,確定神經元的感受野大小、卷積步長、padding是影響跟蹤精度的三個重要因素。感受野確定用于計算特征的圖像區域。較大的感受野提供更大的圖像上下文,而較小的感受野可能無法捕捉目標對象的結構。stride影響定位精度,同時控制輸出特征圖的大小。padding在模型訓練中引起潛在的位置偏差。
在本文中,我們通過設計新的殘差模塊和網絡架構來解決這些問題。首先,我們提出了一組基于“瓶頸(bottleneck)”的殘差塊的內部裁剪(cropping-inside residual,CIR)單元。CIR單元在塊內部裁剪出受填充 padding 影響的特征(即接收填充信號的特征),從而防止卷積濾波器學習位置偏差。其次,我們通過堆疊 CIR單元設計了兩種網絡架構,即更深和更寬的網絡。為了提高定位精度,我們設計了特定的步幅和感受野。
2. 性能退化分析
性能下降可以直接歸因于網絡結構,是圖1實驗中唯一改變的設置。因此,我們首先確定這些網絡架構之間的結構差異。如表格2所示,除了深度和寬度之外,網絡中還有其他幾個不同的內部網絡因素,包括步幅(STR),填充(PAD),最后一層神經元的感受野(RF)和輸出特征尺寸(OFS)。
我們修改了 AlexNet,VGG,Inception 和 ResNet 的結構,并揭示了內部因素的影響。如表格1所示,Siamese更喜歡中級特征(步幅4或8),這些特征在物體定位方面比高級特征更精確(步幅≥16)。對于感受野(RF),最佳感受野大小覆蓋輸入樣本圖像z的約60%~80%。對于輸出特征尺寸,觀察到小尺寸(OFS≤3)不利于跟蹤精度。
表1:AlexNet,VGG 10,Inception -22和ResNet-33上的網絡內部因素分析。數字①- ⑩代表不同的版本,其中修改卷積內核大小,下采樣層和填充以顯示趨勢。由于空間有限,補充材料中給出了有關修改的詳細信息。
1.為了更好地顯示趨勢,我們將±0表示為網絡的原始RF大小。+和-表示相對于原來的增大和減小尺寸。Max(127)表示最大有效RF,其與示例圖像的大小相同,即127x127像素。
2.對于Inception網絡,其RF大小位于一個范圍內。這里我們只列出理論上的最大尺寸,與ResNet對齊進行比較。
表2:不同網絡的內部因素:最后一層網絡中的神經元的感受野(RF),步幅(STR),輸出特征尺寸(OFS),填充(PAD)和寬度(W)。由于Inception在一個塊中包含多個分支,因此其 RF位于一個范圍內。
Siamese 框架將中心裁剪的圖像對作為訓練數據傳入,其中目標對象始終存在于圖像中心。如果輸出單元的感受野延伸超出圖像邊界(受padding影響),網絡模型學習位置產生偏差。圖2給出了測試階段中這種學習偏差的可視化示例。它顯示當目標對象移動到圖像邊界時,其峰值不能精確指示目標的位置。這是由跟蹤器漂移引起的常見情況。
圖2:模型中學習的位置偏差的可視化
3. 方針
1.將步幅設定為4或8。
2.最佳感受野大小覆蓋輸入樣本圖像 z的約 60%~80%
3.在設計網絡架構時,應將stride,感受野和輸出特征尺寸視為一個整體。這三個因素并不是彼此獨立的。如果一個改變,其他人將相應改變。將它們結合在一起可以幫助設計的網絡在Siamese框架中提取更多的有判別力的特征。
4.對于全卷積的Siamese網絡,刪除padding操作重要。padding引起的位置偏差會降低孿生跟蹤器的準確性和魯棒性。
4. 內部裁剪殘差(CIR)單元
殘差單元(residual unit)是網絡架構設計中的關鍵模塊。它由3個堆疊的卷積層和繞過它們的快捷連接(shortcut connection)組成,如圖3(a)所示。這三層是1×1,3×3和1×1個卷積,其中1×1層負責減少或恢復尺寸,使3×3層成為具有較小輸入和輸出尺寸的瓶頸(bottleneck)。此瓶頸卷積包括大小為1的zero-padding,以確保在添加之前兼容的輸出大小。
圖3:擬議的內部殘余單位。(a)和(b)是殘差單元和下采樣單元(down sampling unit),而(a‘)和(b’)是我們提出的單位。(c)和(d)是建議的寬殘差單元?;疑^表示便于信息傳播的shortcut paths,而藍色方框則突出顯示與原始單位的差異。字母'p'和's'分別表示padding大小和步長。
CIR單元。如第3節所述,padding可能會在Siamese框架中引入位置偏差。為此我們增加殘差單位進行裁剪操作,如圖 3(a’)所示。裁剪操作會刪除計算受zero-padding信號影響的特征,消除了殘差單元中的padding影響特征。
下采樣CIR(CIR-D)單元。它用于減少特征圖的空間大小,同時使特征通道的數量加倍。下采樣單元包含padding操作,如圖 3(b)所示。因此,我們還修改其結構以消除由padding引起的負面影響。如圖 3(b’)所示,我們在瓶頸層和shortcut connection中將卷積步幅從2改為1。插入裁剪以移除受padding影響的特征。最后,使用最大池化層來執行特征圖的空間下采樣。這些修改的關鍵思想是確保僅刪除受填充影響的特征,同時保持內部塊結構不變。
CIR-Inception和CIR-NeXt單元。根據Inception和ResNeXt,通過多個特征變換擴展CIR單元,生成CIR-Inception和CIR-NeXt 模塊,如圖 3(c-d)所示。具體來說,在CIR-Inception結構中,我們在shortcut connection中插入一個1x1卷積,并合并兩個分支的特征。在CIR-ResNeXt中,我們將瓶頸層拆分為32個轉換分支,并通過添加進行聚合。此外,對于CIR-Inception 和CIR-NeXt的下采樣單元,修改與CIR-D(圖 3(b’))中的修改相同,其中卷積步幅減小并且增加了最大池化層。
5. 網絡架構 Network Architectures
通過堆疊上述CIR單元,我們構建了更深更寬的網絡。首先確定stride,步幅8用于構建3級網絡,而步幅4用于構建2級網絡。然后,我們堆疊CIR單位。我們控制每個階段的unit數量和下采樣unit的位置。 目標是確保最后一層神經元的感受野大小位于有效范圍內 ,即樣本圖像大小的 60%-80%。另外,當網絡深度增加時,感受野可能超過該范圍。因此,我們將步幅減半,以控制感受野。
更深的網絡 。我們使用CIR和CIR-D單元構建更深的網絡。這些結構類似于ResNet,但具有不同的stride,感受野和結構單元(building blocks)。
CIResNet-22有3個部分(stride=8),22個卷積層。除了第一個7×7卷積,其他都是CIR單位。在7×7卷積之后進行裁剪操作(大小為2)以移除受padding影響的特征。前兩個階段的特征下采樣是通過原來ResNet的卷積和步幅2的最大池化來執行的。在第三階段,通過所提出的CIR-D單元執行下采樣,該CIR-D單元位于該階段的第一個塊(共四個)。當feature map大小被下采樣時,卷積核的數量加倍以增加特征可辨別性。輸出feature map大小是5×5,每個feature感受野的相應大小93×93。
構建CIResNet-43時進一步將網絡深度增加到43層,設計為2個階段,在 CIResNet-43的第二階段,有14個塊,其中第四個塊具有用于特征下采樣的 CIR-D 單元。
更寬的網絡 。我們分別使用CIR-Inception和CIR-NeXt單元構建兩種類型的寬網絡體系結構。我們提供一個22層結構作為示例。正如表3所示,CIResInception-22和CIResNeXt-22具有與CIResNet-22類似的結構。但是通過多分支構建塊,網絡寬度分別增加了2倍和32倍。而且,由于多分支級聯,在CIResInception-22中感受野大小變得多樣化(即13~93)。
表3:用于連體跟蹤器的設計骨干網絡的架構。CIResNet-43中CIR-D位于'conv3'階段的第四個塊中,其他網絡用于第一個塊。
6. 實驗
我們首先將我們更深更寬的網絡與SiamFC和SiamRPN中的主干AlexNet進行比較。正如表4中所示,在OTB-13,OTB-15和VOT-17數據集上,我們提出的網絡優于基線AlexNet。特別是,配備CIResIncep-22網絡的 SiamFC 分別在OTB-2013和VOT-1上獲得了比原始AlexNet高9.5%(AUC)和14.3%(EAO)的相對改進。同時,配備CIResNet-22的SiamRPN實現了4.4%和23.3%的相對改善。這驗證了我們設計的體系結構解決了圖1中所示的性能下降問題。此外,它還顯示了我們提出的CIR單元對于連體網絡的有效性。
學習更多編程知識,請關注我的公眾號:
[代碼的路]
-
神經網絡
+關注
關注
42文章
4771瀏覽量
100719 -
圖像處理
+關注
關注
27文章
1289瀏覽量
56724 -
CIR
+關注
關注
0文章
2瀏覽量
7021
發布評論請先 登錄
相關推薦
評論