论文地址 作者开源代码地址 还未公布训练代码，作者等VOT竞赛结束之后会公布训练代码 今天为大家带来一篇重量级文章，其实这篇是cvpr2019的poster不是oral，但在我看来仍然是重量级的，因为这是使用孪生网络做视频目标分割（VOS）的第一篇工作，意味着后续会有更多基于此改进的VOS方法会被提出，我自己也是做VOS的，更要好好读一下，期待自己能做出一些东西！！！ 下面进入正文

思想来源

目前目标跟踪很多是使用相关滤波，最近两年，孪生网络为基础的目标跟踪取得了更不错的结果，而且速度和精度都有提高。作者依然采用孪生网络结构，同时补充了一个二值分割的任务。其实用另一个相关任务来提升一个任务效果的做法还有DFN，face++的语义分割模型。即作者想通过学习对特定目标的分割来refine跟踪结果。总体形成了一个简单高效的框架，在精度上是VOT2018上是state of the art的，在VOS任务目前是最快的（谷歌今年的FEELVOS估计没他快，但siammask用VOS精度不高，比2017年的OSVOS还差一点，我相信后续工作会基于此做更好的VOS的，我也会朝这个方向走！）

主要贡献

作者在论文中没写主要贡献，我这里自己总结下

设计了一种基于孪生网络的框架，满足同时完成目标检测和视频目标分割两种任务通过设计了mask 分支，提高了目标跟踪的性能，并且能预测目标的旋转框（非水平框）在VOT2018达到了最高精度（不确定是不是，siamRPN+不知道表现有没有它好），同时对于VOS任务，速度是最快的。

我们先大体介绍，最后分模块仔细介绍。绝对要比其他博客详细哦，觉得好留个关注，点个赞，留下评论都是对我的支持

大体介绍

论文在方法那一章（第三章）先介绍了siamFC和siamRPN，因为siammask的两种类型的结构（siammask2b和siammask是基于这两种结构修改的）。我们在之后的细节部分说一下这两个网络的作用。 孪生网络其实是想寻找模板z（小点的图像）和搜索区域x（较大的图像）的区域相似度。而且模板来自第一帧由用户选择要跟踪哪一个目标。孪生网络是两个相同的网络，并且参数是共享的，最早用于人脸的相似度判断（人脸验证）。 模板z是用户框的，搜索区域x是以z的中心为中心，crop出一个更大的区域作为搜索区域（因为帧之间相同目标移动应该不大。）z和x都经过一个backbone，作者选择resnet50（实际上没有用到conv5_x），那么就得到了两个特征，其中z对应的特征标记为zf，大小为15x15x256；x对应的特征标记为xf，大小为31x31x256。zf和xf经过一个叫做depthwise correlation操作，得到了一个更小的特征，标记为ROWs，大小是17x17x256。其实对于每一个分支，都有一个depthwise correlation操作，并不是上论文图中表示的那样只有一个depthwise correlation，代码中有三个depthwise correlation。至于这个depthwise correlation我们在代码详解部分解释。ROWs按照空间维度的每一个单元，称作ROW。整个ROWs送到对应的分支中继续计算特征，就是那三个绿色方块那里，$h_{\varphi },s_{\psi },b_{\sigma }$。我们可以在（a）中看到，下面两个分支其实和siamRPN很像，（b）如果仅仅保留score分支，则和siamFC很像，也许这就是reviewer觉得不能作为oral的原因吧。 OK，我仅介绍图（a）,下面就是RPN的结构，所以训练方式和RPN一致。mask 分支还有一个refine模块，作者放到了附录A部分，结构也是和语义分割模型差不多的，我放到后面介绍。 下面分模块仔细介绍

siamFC

siamFC仅仅有一个分支，使用的cross correlation操作得到的特征仅仅有一个通道（当然这个时候不能叫做特征了，应该叫相似度度量，我们记cross correlation的结果为 $$g_{\theta }(z,x)=f_{\theta }(z)\star f_{\theta }(x)$$ 其中$g_{\theta }(z,x)$中的空间维度上的元素记作RoW，代表着模板z和搜索区域中的某一个区域的相似度。比如$g_{\theta }^n(z,x)$就是说z和在x中的第n个区域的相似度。siamFC的目的是让$g_{\theta }(z,x)$这个map的最大值出现的地方，还原回原图的位置恰好就是模板中的目标，从而达到跟踪的目的。作者和SiamFC有一点的不同的是使用depthwise cross-correlation来代替产生单通道的cross-correlation。这个分支使用logistic loss，我们记作$l_{sim}$

siamRPN

siamRPN是在siamFC的基础上，增加了RPN结构，使得网络评估目标在下一帧的位置能够使用不同比例的框来预测。在siamRPN中，对每一个RoW，都对应有k个box和对应的前景背景分数。就是说siamRPN有两个分支，box和score，其中box是对每一个ROW都预测k个框，score为k个框描述是前景的概率。box分支使用 smooth L1作为损失函数，score使用交叉熵，这部分和faster rcnn是一样的。两个损失函数分别记作$l_{box},l_{score}$

siamMask 的新分支 mask branch

注意，使用depthwise cross correlation得到的是多通道的（论文中是256个通道）特征，每一个row都是1x1x256维的，记住Row是代表z和在x中某一个区域的相似度，希望能为第n个Row，即$g_{\theta }^n(z,x)$分配一个标签$y_n$，$y_n$为1则说明第n个区域和z很像，第一个关键点就是如何给$y_n$分配标签。

如何给$y_n$分配标签？ 一种方法是求Row的均值，就是多通道的特征值加起来看看大不大，如果够大则网络认为这个RoW和z蛮相似的，但这种方法没有利用到RPN。 论文的做法是用RPN的box分支的结果，和训练样本的标签做IOU，IOU大于0.6则$y_n$为1，反之亦然。 而对于两个分支的siammask2b，作者直接选取score分支最大位置的row的标签为1，其他的row的标签都是-1

当然我们还要有目标的分割标签，训练数据集应该给出，我们把它记作$c_n$，尺寸是wxh的，和模板z一致。 我们还要根据Row还原回wxh尺寸的分割结果。这个过程涉及到refine 模块，放到后面讲，现在仅仅将refine 模块的过程看做下面的公式 $$m_n=h_{\varphi }(g_{\theta }^n(z,x))$$ $m_n$就是针对第n个搜索区域得到的mask 那么，mask分支的loss就是这样的

一共有17x17个候选区域，所有n的变化是从1到17x17的，看$\frac{1+y_n}{2wh}$这一项，仅仅对被认为是目标临近区域（IOU>0.6）的第n个搜索区域才计算mask loss；再往后看，$\Sigma$的下标是i，j，就是说对wxh的像素遍历，求每个像素的loss还求和。使用的是 logistic regression loss。

---

我觉得siammask分割精度低的原因很有可能就是上面的loss，对很多个符合IOU>0.6的候选区域都进行了分割处理，如果实际上有特征的偏移，仍然强行用固定的label训练，自然是不合适的

---

mask分支的具体结构

我们注意到绿色的小块$h_{\varphi }$的输出和g是一样的，这个$h_{\varphi }$的结构是两个1x1的卷积，在refine之前设计这个模块是有重大意义的。我们知道孪生网络有个缺点，就是不能抑制在搜索区域x内和模板z很相似的目标的响应值。作者希望通过两个1x1的卷积，能够区分开相似的实例个体，请见论文原文：

总的损失函数

针对两个变体，siammask2b和siammask，总的函数如上，参数设置如下。

另外呢，因为DAVIS数据集只有mask label，作者考虑了三种策略为DAVIS数据集生成bounding box 的label。不过论文没有提如何为VOT数据集生成mask label 呢，真是奇怪呢 一种是 水平齐的框，另一种就是旋转框，最后是根据VOT2016的bencnmark提出的方法为mask自动生成框，这是最优的策略

refine 模块

如果了解语义分割的同学，应该很容易看的明白，相当于解码器的作用，同时用到了低级特征。

测试阶段的pipeline

对于两个变体，都选择在score branch最大响应的row，抽取出来送到mask branch中得到mask。在siammask2b结构中，得到mask之后进而得到水平框。使用水平框作为参考，选择下一帧的搜索区域x。对于siammask，即三分支的网络，选择box 分支最高分数的box作为参考，即用score分支最大值对应的box分支的box。

depthwise cross correlation

class DepthCorr(nn.Module): def __init__(self, in_channels, hidden, out_channels, kernel_size=3): super(DepthCorr, self).__init__() # adjust layer for asymmetrical features 不对称的 self.conv_kernel = nn.Sequential( nn.Conv2d(in_channels, hidden, kernel_size=kernel_size, bias=False), nn.BatchNorm2d(hidden), nn.ReLU(inplace=True), ) self.conv_search = nn.Sequential( nn.Conv2d(in_channels, hidden, kernel_size=kernel_size, bias=False), nn.BatchNorm2d(hidden), nn.ReLU(inplace=True), ) self.head = nn.Sequential( nn.Conv2d(hidden, hidden, kernel_size=1, bias=False), nn.BatchNorm2d(hidden), nn.ReLU(inplace=True), nn.Conv2d(hidden, out_channels, kernel_size=1) # 没有batch和relu ) def forward_corr(self, kernel, input): kernel = self.conv_kernel(kernel) input = self.conv_search(input) feature = conv2d_dw_group(input, kernel) return feature def forward(self, kernel, search): feature = self.forward_corr(kernel, search) out = self.head(feature) return out

我们先看看源码中是怎么写的。直接看forward部分。kernel代表zf，zf是之前标记的字符，代表模板z的特征，search是xf。这两个特征先经过forward_corr，从函数forward_corr(self, kernel, input）我们可以看出，zf和xf分别经过了不同的3x3的卷积（并不是论文中所述用1x1的卷积），然后才进行depth cross correlation的操作。 我们进而看看这个conv2d_dw_group函数

def conv2d_dw_group(x, kernel): batch, channel = kernel.shape[:2] x = x.view(1, batch*channel, x.size(2), x.size(3)) # 1 * (b*c) * k * k kernel = kernel.view(batch*channel, 1, kernel.size(2), kernel.size(3)) # (b*c) * 1 * H * W out = F.conv2d(x, kernel, groups=batch*channel) out = out.view(batch, channel, out.size(2), out.size(3)) return out

先做了reshape再conv再reshape，**大家看懂了吗，我是没看懂，为啥这样就能达到描述相似度的效果呢？**估计需要看看siamFC才能知道答案了。

源码中模型主要结构

class Custom(SiamMask): def __init__(self, pretrain=False, **kwargs): super(Custom, self).__init__(**kwargs) self.features = ResDown(pretrain=pretrain) self.rpn_model = UP(anchor_num=self.anchor_num, feature_in=256, feature_out=256) self.mask_model = MaskCorr() self.refine_model = Refine()

self.features 用于提取特征，是resnet50作为backbone，其中没有用到最后一stage，同时在最高层加了一个1x1的卷积用于降维。 self.rpn_model是score分支和box分支的集合 self.mask_model是mask分支的head部分 self.refine就是解码器，用于把17x17的特征图变化成wxh的mask。

实验结果

模型正在下载中，未完待续! 速度真的没得说，就是棒！！

写在后面

这篇论文也是激起了相当活跃的讨论，见第一作者的知乎专栏 其中有几条我认为挺能突出细节的。