Fast Online Object Tracking and Segmentation: A Unifying Approach 论文学习

论文地址：https://arxiv.org/abs/1812.05050
代码地址：https://github.com/foolwood/SiamMask

Abstract

在这篇论文，作者阐述了如何进行实时且单阶段的目标追踪和视频中的物体分割。他们把这个方法命名为 SiamMask，用一个二元分割任务增强损失函数，优化目前流行的全卷积Siamese方法的线下训练。在训练过程中，SiamMask 只需初始化边框，然后通过线上操作，产生与类别无关的物体分割masks以及边框，速度为35帧每秒。此方法很简洁，速度快，它在VOT-2018上也能和 state of art 的追踪器相比较，表现极具竞争力，在半监督视频物体分割任务DAVIS-2016和DAVIS-2017上，它的速度是最快的。项目网址是：http://www.robots.ox.ac.uk/~qwang/SiamMask

1. Introduction

在视频应用上进行物体追踪是一个很基础的任务，它需要在不同帧之间建立物体的联系。在自动监控，车辆导航，视频标注，人机交互，以及活动识别上有着广泛的应用场景。视觉物体追踪的目的是，给定第一帧画面中某物体的位置，它需要找到在接下来所有帧上的位置预测。

在许多应用上，跟踪需要做到线上运行（视频一边播放，跟踪同时进行）。也就是说，跟踪器不可以利用未来帧来推理出当前位置。这就是物体跟踪benchmarks 上所需要的场景，通过边框坐标来表现目标物体。这种标注方法让数据标注成本很低；而且，它允许用户迅速而简单地完成目标的初始化。

和物体追踪类似，半监督的视频物体分割（VOS）需要预测第一帧中选定的任意物体的位置。但是，在VOS中，物体的呈现是由一个二元分割mask构成，也就是某个像素点是否属于目标物体。这对需要像素级别信息的应用很有帮助。但是，与简单的边框相比，生成像素级的预测需要更多的算力资源。因此，VOS方法都很慢，每一帧要处理几秒钟。近来，虽然有一些更快的方法被提出，但是就是最快的也做不到实时。

这篇论文中，我们旨在通过SiamMask缩小物体跟踪和VOS的差距，SiamMask是一个简单的多任务学习方法，可用于解决这两个问题。全卷积Siamese网络在物体跟踪上比较成功，速度较快，它在几百万对视频帧上进行线下训练；而且近来也有了像素级标注的数据集如YoTube-VOS，我们受它们启发提出了SiamMask。我们意图保留这些方法线下的可训练性，以及线上的速度；同时，极大地改善它们对目标物体的表现力。

为了实现这个想法，我们在3个任务上同时训练Siamese网络，每一个任务对应着不同的策略，这样在新的画面上，不同的目标物体和候选区域之间建立联系。与 Bertinetto 的全卷积方法类似，我们的一个任务是以滑动窗口的方式，学习目标物体和候选区的相似度。输出是一个 dense response map，它只表明物体的位置，而没有提供任何的空间范围信息。为了优化此信息，我们同时学习两个额外的任务：利用RPN进行的边框回归，以及二元分割。二元标签只在线下训练的时候用到，用于计算分割损失，而在追踪时候没有使用。在我们提出的网络结构中，每一个任务由一个分支来表现，它们都基于一个共享的CNN，最后由一个最终损失值汇总计算。

训练的时候，SiamMask 仅需要初始化一个物体边框，然后进行线上操作，生成物体分割的 masks 和物体边框，速度为35帧每秒。尽管它很简洁，速度也很快，SiamMask 在 VOT-2018实时物体跟踪任务上是 state of art 的。而且，在DAVIS-2016和DAVIS-2017上，此方法和最近的半监督VOS方法相比，也极具竞争力。SiamMask 只需要初始化一个物体边框，不需要其它VOS方法采用的计算成本很高的操作，如 fine-tune, 数据增强，optical flow等。

第二节简述最近在视觉物体跟踪和VOS上的其它工作；第三节简述我们的方法；第四节在4个benchmarks 上对我们的方法进行评估；第五节总结此论文。

2. Related Work

Visual Object Tracking

直到最近，最主流的用于物体跟踪的方法仍然是在线训练一个分类器，基于视频第一帧的真值信息，然后在线更新它。这个策略通常被称作"tracking-by-detection"。在过去几年，相关滤波器（Correlation Filter）成为解决 tracking-by-detection 的一个快速而有效的策略，快速滤波器可以辨别任意物体的模板和它的2D变形。

最近，有人提出了一个完全不同的方法。它不在线学习一个判别分类器，而是线下训练相似度函数，基于每一对的视频帧。在新的视频上测试时，这个函数能被简单地评价，每次一帧。全卷积Siamese方法的改进版通过region proposals, hard negative mining, ensembling, 和 memory networks，极大地提升了追踪性能。

绝大多数的追踪器都使用一个矩形框来初始化目标物体，然后在接下来的画面上预测位置。尽管很方便，但是一个简单的矩形框通常无法很好地表现一个物体。这促使我们提出一个能够生成二元分割mask的追踪器，而它只需要初始化一个物体边框。

Semi-supervised Video Object Segmentation

物体跟踪 benchmarks 假设跟踪器以连续的方式获取输入帧。而且，它们的方法通常关注在速度上，要超过视频的帧率。但是，半监督的VOS算法则更关注在准确的物体表现上。

为了获得最高的准确性，在测试时VOS方法通常会使用算力要求很高的技术，如 finetune, 数据增强和optical flow等。因此，它们的帧率都很低，无法在线运行。

3. Methodology

为了实现在线可操作性以及速度要求，我们采用全卷积Siamese 网络，用SiamFC和SiamRPN作为代表例子。

3.1 全卷积 Siamese 网络

SiamFC

Bertinetto 建议使用一个线下训练的全卷积Siamese网络，作为追踪系统里基础的模块，它将一个样例图片 $z$和一个搜索图片 $x$进行比较，获取一个dense response map。 $z$是一个 $w\times h$的裁剪图片，以目标物体为中心； $x$是一个更大的裁剪图片，以目标物体为中心。这两个输入由同一个CNN $f_\theta$处理，产生两个特征图，

$g_\theta (z,x) = f_\theta (z) \star f_\theta (x).$

在这篇论文，我们将response map上的每个空间元素（上述公式左边）称作 response of a candidate window(RoW)。例如， $g_\theta ^n (z,x)$将样例 $z$和 $x$中的第 $n$个候选窗口的相似度进行编码。对于SiamFC，response map 上的最大值就对应着目标物体在搜索区域 $x$上的位置。为了让每一个RoW都能包含目标物体的丰富信息，我们将上述等式中的 simple cross-correlation替换为depth-wise cross correlation，产生一个多通道的 response map。SiamFC 在几百万个视频画面上进行线下训练，用了 Logistic 损失 — $L_{sim}$。

SiamRPN

Li 极大地提升了SiamFC的表现，通过RPN，它能通过高宽比变动的边框来预测目标物体的位置。尤其，在SiamRPN中，每一个RoW都编码着一组 $k$个 anchor box候选区以及对应的物体/背景置信度。因而，SiamRPN输出边框预测以及分类置信度。这两个输出分支通过 Smooth L1 和交叉熵损失来训练。我们用 $L_{box}$和 $L_{score}$来分别表述它们。

3.2 SiamMask

与现有依赖于低可靠度的物体表现方法不同，我们认为生成每一帧的二元分割mask很重要。我们证明，除了相似性置信度和边框坐标之外，用全卷积Siamese网络的RoW也能对必要的信息进行编码，产生像素级的二元mask。我们可以用一个额外的分支和损失函数扩展现有的Siamese跟踪器来实现。

我们通过一个简单的两层神经网络 $h_\phi$和学习参数 $\phi$来预测 $w\times h$的二元masks(每个RoW都有一个)。用 $m_n$表示预测的mask，对应着第 $n$个RoW。

$m_n = h_\phi (g_\theta ^n (z,x))$

从上述等式，我们可以发现mask的预测是一个函数，此函数由用于分割 $x$的图像和 $z$中的目标物体组成。这样， $z$可以引导分割的过程，这样任意类别的物体都可被追踪到。这就很清楚地表明，给定一个图像 $z$，网络就可对 $x$生成一个不同的分割mask。

Loss Function

在训练过程中，每一个RoW都标注有一个真值二元标签 $y_n \in \{\pm 1\}$，以及一个像素级的真值 mask $c_n$，大小是 $w\times h$。让 $c_n^{ij}\in \{\pm 1\}$表示第n个RoW物体mask里的像素点KaTeX parse error: Can't use function '\(' in math mode at position 1: \̲(̲i,j\)的对应标签。损失函数 $L_{mask}$是一个覆盖所有RoWs的二元logistic回归损失：

$L_{mask}(\theta, \phi) = \sum_n (\frac{1+y_n}{2wh}\sum_{ij} log(1+ e^{-c_n ^{ij} m_n^{ij}}).$

因此， $h_\phi$的分类层有 $w\times h$个分类器，每一个表示某像素点是否属于候选框内的物体。注意， $L_{mask}$仅针对正的RoWs考虑（即 $y_n=1$）。

Mask Representation

与语义分割方法如 a-la FCN和 Mask R-CNN不同，它们在整个网络上保留明显的空间信息，而我们则由一个平面的物体特征来产生 masks。尤其，这个特征对应着一个 $1\times 1\times 256$的RoW，此RoW由 $f_\theta (z)$和 $f_\theta (x)$之间的 depth-wise cross-correlation 产生。分割任务中的 $h_\theta$网络有两个 $1\times 1$的卷积层组成，一个有256通道，另一个有 $63^2$个通道。这允许每一个像素分类利用整个RoW内的信息，因此对 $x$内的候选窗口有着更全面的了解，这可以消除那些与目标物体类似的对象所造成的影响。为了产生更加准确的物体masks，我们将低分辨率和高分辨率的特征融合起来，通过多个由上采样层和 skip connections构成的 refinement 模块实现。

Two Variants

对于我们的实验，我们增强了SiamFC和SiamRPN的结构，通过分割分支和损失函数 $L_{mask}$，得到了两个SiamMask的 two-branch 和 three-branch 变体。它们分别优化多任务损失函数 $L_{2B}$和 $L_{3B}$：

$L_{2B} = \lambda_1 \cdot L_{mask} + \lambda_2 \cdot L_{sim}$

$L_{3B} = \lambda_1 \cdot L_{mask} + \lambda_2 \cdot L_{score} + \lambda_3 \cdot L_{box}$

对于 $L_{3B}$，如果RoW的一个 anchor box与真值边框的IOU大于等于0.6，那么它被认为正的( $y_n = 1$)，否则就是负的( $y_n = -1$)。超参数 $\lambda_1=32, \lambda_2=\lambda_3=1$。针对边框和置信度的输出分支由两个 $1\times 1$的卷积层组成。图2是两个SiamMask的变体。

Box Generation

注意，VOS benchmarks需要二元masks，通常追踪benchmarks如VOT需要一个边框作为目标物体最终的呈现。我们考虑了3个不同的策略来从二元mask上产生物体边框：

• axis-aligned 边框（Min-max）
• rotated minimum 边框（MBR）
• 用于VOT-2016的自动边框生成的优化策略（Opt）

3.3 实现细节

网络结构

对于变体，我们使用了Res-50一直到主干网络 $f_\theta$第四阶段最后的卷积层。为了在较深的层获得较高的空间分辨率，我们通过步长为1的卷积降低输出步长至8。而且，我们通过膨胀卷积增加了感受野。在我们的模型中，我们在共用的主干网络 $f_\theta$上增加了一个非共享的调节层( $1\times 1$卷积，256个输出)。为了简洁，我们在等式1中省略了它。

训练

和SiamFC类似，我们使用的样例图片为 $127\times 127$，搜索图片为 $255\times 255$。在训练过程中，我们随机调换样例和搜索图片。特别地，我们对图片采取了随机变换( $\pm 8$)和改变大小(对样例图片 $2^{\pm 1/8}$，对搜索图片 $2^{\pm 1/4}$)的方式。

网络主干在ImangeNet-1k上进行预训练。我们使用SGD以及一个warmup阶段，即在前五个epochs上学习率开始从 $10^{-3}$增加到 $5\times 10^{-3}$，然后在接下来的15个epochs上对数降低至 $5\times 10^{-4}$。我们用COCO, ImageNet-VID和YouTube-VOS来训练所有的模型。

推理

在追踪时，SiamMask 每一帧评估一次，不作任何改变。在两个变体上，我们通过坐标选择输出的mask，该坐标可以得到分类分支上的最高得分。然后，通过逐个像素点的 sigmoid计算，我们对mask 分支输出进行二值化，阈值设为0.5。对于two-branch变体，在第一帧后的每一帧，我们将输出mask用Min-max边框进行调节，然后用它来裁剪下一帧的搜索区域。然而，在three-branch变体，我们发现边框分支上最高置信度的输出是最有效的。

SiamMask是用PyTorch实现的。代码和预训练模型很快将被放出来。

4. 实验

Pls read paper for more details.