论文笔记：Learning Attribute-Specific Representations for Visual Tracking

Learning Attribute-Specific Representations for Visual Tracking

AAAI-2019

Paper：http://faculty.ucmerced.edu/mhyang/papers/aaai2019_tracking.pdf

本文提出一种新的学习思路，即：属性信息 (e.g., illumination changes, occlusion and motion) ，来进行 CNN 特征的学习，以得到更加鲁棒的 tracker。具体来说，就是设计一种基于属性的 CNN，并且带有多个分支，每一个分支用于分类特定属性的目标。这种设计的优势在于：在每一种挑战下，降低了目标外观的多样性，用更少的训练数据就可以训练模型（reduces the appearance diversity of the target under each attribute and thus requires less data to train the model)。我们将所有的特定属性feature，通过集成层（ensemble layer）进行聚合，得到更加具有判别力的特征来进行分类。其实这个思路，类似于 MDNet，但是又跟 MDNet 不同。

具体流程（ANT Tracker）：

1. Attribute-based Neural Network: 

如上图所示，该网络的前几层是从 VGG-M 模型得到的几层卷积层，用于提取底层信息，如边缘和纹理信息等。然后，用五个属性分支来学习对应属性的表达。文章作者用了 VOT 数据集提供的五个属性：target motions, camera motions, illumination variations, occlusions, and scale change, 这些挑战性因素可以涵盖 OTB100 数据集的 11 种属性。此外，VOT数据集属性的标注是每一帧都进行了标注，这就允许作者可以将训练数据集划分为不同的属性组（attribute groups）来训练对应的分支。

紧跟着这些属性分支的是 ensemble layer 和 fc layer。在测试阶段，属性组是未知的，一个视频帧可能也包含多种属性。所以，仅仅将视频帧传送到每一个分支也是不合理的。所以，作者这里将输入图像区域传递到所有的属性分支，并且训练一个 ensemble layer 来自适应的组合所有的特征，得到一个充分并且具有判别性的表达。ensemble layer 的输出被传送到 FC layer 进行最终前景和背景的分类。

对于每一分支的结构，我们采用 Inception 的结构，如下图所示，以得到更好的feature。

2. Two-Stage Training：

作者这里提到 end-to-end learning 的方式，无法确保每个分支可以学会分类对应属性的数据（can not guarantee each branch to learn to classify data of the corresponding attribute），因为任何训练样本的分类损失都可以反向传递到所有的五个分支。为了解决这个问题，作者采用了两个阶段的训练策略。

Stage-I：training attribute branches.

这个五个分支是依次训练的。特别的，作者将 ensemble layer 和 last FC layer 移除，然后对每一种属性，添加一个 new FC layer，进行训练。

Stage-II：training ensemble layers. 

一旦上述属性分支训练完毕，就开始训练 ensemble layer，以得到这些特征的最终集成特征，用于分类。首先将 FC 层给 remove 掉，然后，接上 ensemble layer 和 FC layer，继续训练。这里采用 softmax-loss 进行训练，大约 150 次迭代后，开始收敛。

3. Tracking：

在实际跟踪的时候，就直接通过采样，然后打分的方式进行：

4.  实验结果：

==