Learning Multi-Domain Convolutional Neural Networks for Visual Tracking
CVPR 2016
本文提出了一种新的CNN 框架来处理跟踪问题。众所周知，CNN在很多视觉领域都是如鱼得水，唯独目标跟踪显得有点“慢热”，这主要是因为CNN的训练需要海量数据，纵然是在ImageNet 数据集上微调后的model 仍然不足以很好的表达要跟踪地物体，因为Tracking问题的特殊性，至于怎么特殊的，且听细细道来。
目标跟踪之所以很少被 CNN “攻占”，主要是因为很难收集海量的训练数据；此外，基于传统方法以及手工设计的特征的确也取得了不错的效果。最近的基于CNN的网络设计来解决跟踪问题，主要是在大型分类数据集上进行预训练，如：imageNet，然后将其 transfer 到跟踪问题上来。尽管也取得了明显的提升，但是仍然效果不是非常明显，因为 分类问题 和 跟踪地定位问题 本来就是两个区别很明显的问题，即：
预测物体的标签 VS 定位任意的目标
为了更好的探索 CNN 在 visual tracking上的表达能力，很有必要在大型数据上进行 visual tracking 的训练，涉及到广泛的目标和背景的组合。然而，基于视频序列的确是具有挑战性，因为其不同的特性。注意到，不同的序列涉及到目标物体具有不同的类别标签、移动模式以及外形，跟踪算法在每一个特定序列上的挑战也不同，例如：遮挡，变形，轻度光照变化，运动模糊等等。训练 CNNs 也是非常困难的，因为有些物体有时候被当做前景，有时候被当做背景，因为不同的视频中的需要。由于序列中的变化和不一致性，我们相信基于标准的分类任务的普通学习算法是不适合的，其他的方法来捕获和序列无关的信息应该能提供更好的表达。
基于此事实，我们提出了一种新颖的 CNN 结构，即： Multi-Domain Network (MDNet)，从多个标注的视频序列中，来学习物体的共享的表示，协助进行跟踪，其中每一个视频看做是一个单独的 domain。所提出的网络具有单独的分支，即： domain-specific layers for binary classification. MDNet 上的每一个 domain 都是单独训练的，并且每次都迭代的更新共享层。利用该策略，我们从 domain-specific 得到依赖于 domain 的信息，学习普遍的特征表示用来跟踪。另一个有意思的方面是，我们的 CNN 是非常“浅”的，只有 3层 Conv 和 2层 fc。
本文的测试和训练的网络结构，不同的地方在于：测试的时候将最后的多个 fc，换为一个 fc，用来计算最终的目标得分。新的分类层和fc层然后在跟踪地过程中在线的继续微调，来适应新的domain。Online的更新是为了建模 long-term 和 short-term 的表观变化 ( appearance model )，分别是为了得到更好的 robustness 和 adaptiveness 。在进行学习的过程中，采用了 hard negative mining techique。
我们的算法由多个 multi-domain representation learning and online visual tracking 构成。文章主要的贡献可以列为如下三点：
1. 我们提出了一个基于CNN的 multi-domain 的学习框架，从 domain-specific 中分离出 domain-independent 的信息，来得到共享的表示。
2. 我们的框架成功的应用于 visual tracking，multi-domain pretrained 的 CNN 在新的序列中 online的进行更新来自适应的学习特定领域的信息。
3. 在两个公共数据集 Object Tracking Benchmark 和 VOT2014上面得到了充分的验证，精度达到 90+%。
本文的网络结构如下所示：
3. Multi-Domain Network (MDNet)
3.1. Network Architecture
结构如上图所示，再次就不再赘述了。
文中给出了关于为何采用“浅”的网络的解释：
1. 跟踪问题只是需要分辨出前景和背景，即：目标物体和背景，比起庞大的分类 ImageNet 1k类分类问题，还是算比较简单地；
2. 一个 deep 的 CNN 对于准确的进行物体定位是 less effective 的，由于空间信息随着网络深度的加深，变得稀释了；
3. 由于跟踪过程中的物体通常比较小，不过文中说：it is desirable to make input size small, which reduces the depth of the network natually。 对此我不觉得这个解释很合理，因为目标物体本来就很小了，那么适当的将输入放大，不是更加有利于进行特征表达吗 ? 反而再去使得 input 变小，这不太合理吧 ?
4. 最后就是，一个小的网络在跟踪问题上更加有效。作者说测试了深的网络，但是效果不好，且速度很慢。
3.2. Learning Algorithm
我们的学习算法的目标是训练一个 multi-domain CNN 以在任何 domain 辨别 target 和 background。但是这并非很直观，因为来源不同 domain的 train data 拥有不同的 target 和 background 的定义。但是，这其中仍然存在着一些共同的属性，如：对光照变化，运动模糊，尺寸变化的鲁棒性等等。为了提取出满足上述属性的特征，我们通过 multi-domain learning framework，从 domain-specific 的信息中分离出 domain-independent 的信息。
4. Online Tracking using MDNet
4.1 Tracking Control and Network Update
我们考虑两个互补的方面，即：robustness 和 adaptiveness。Long-term update 是按照常规间隔后进行更新；short-term updates 当出现潜在的跟踪失败的时候进行更新，此处潜在的跟踪失败是指：预测目标的positive score 小于 0.5。在跟踪的过程当中，我们保持一个单独的网络，这两种更新的执行依赖于物体外观变化的速度。
为了预测每一帧目标的状态，在前一帧物体的周围提取 N 个模板，然后根据网络得到他们的得分，即：正样本的得分 以及 负样本的得分。通过找到最大正样本得分作为最优的目标状态：
4.2 Hard Minibatch Mining
4.3 Bounding Box Regression
由于高层基于cnn的特征提取以及我们的数据增强策略，即：从目标周围提取多个正样本，导致有时候本文的方法并不能紧紧地框住目标区域。所以，此处采用了 bounding box regression technique，这个广泛的应用于 Object detection，来改善定位的准确度。
给定测试视频的第一帧，我们训练一个简单地线性回归模型来预测目标物体的位置，用的是 Conv 3 的特征。在随后的视频帧中，如果预测的目标是可靠的，那么我们可以调整从公式 1 中得到的目标位置。文章仅仅用第一帧进行 bounding box regressor 的预测，因为这非常耗时，并且增量学习并不一定有用考虑到其 risk。
4.4. Implementation Details
我们跟踪算法的整个流程在算法1 中展示了。第 j 层的 CNN filter weights 记做为 $w_j$，其中，$w_{1:5}$是由 multi-domain learning 预训练而来，$w_6$ 是随机初始化的。
具体训练方面的东西就不讲了，看看原文吧，如果感兴趣的话。
Experiments：