Deep Reinforcement Learning for Visual Object Tracking in Videos 論文解讀

來自專欄 DL論文閱讀心得分享專欄

這篇論文是 Da Zhang博士在2017年發的畢業論文，剛看的第一眼確實非常有意思，但是讀完發現。。。水分有點足。。。

正文：

網路架構：

每個frame的圖片輸入經過一個prtrained的VGG net至512維。

然後concat 4個數字（所以要用prtrained的VGG net，已經不知道如何吐槽了。。。），作為rnn網路的開始，這四個數字是物體的ground truth，隨後的數字都為0，每個rnn ltem的輸出取後四位作為當前frame的ground truth。

說實話，看完這個網路架構，個人就不太想繼續讀了，奈何後面的training非常有意思。

訓練：

該網路由強化學習更新參數，也就是需要訓練一個reward function，與其他物體追蹤的論文類似，在該論文中，這個function的目標輸出為IoU，換句話說，這個網路的輸出與IoU越相近那麼獎勵越高。而損失函數由GT與PR的相減。

以上就是論文的大概解讀，非常淺顯，原因是這個網路架構除了損失函數與VGG後的concat以外都與2014年Google發的一篇paper《 Recurrent Models of Visual Attention》（簡稱RAM）一毛一樣。。。。作者還非常自覺的說了出來。。。。。另這篇論文並未公布源碼，但是看了RAM公布的源碼後發現，好像作者就算不公布代碼，直接由RAM修改也是非常快的。。。但是不論如何，這篇論文算是開創了rnn，cnn，深度學習，強化學慣用於追蹤的前例。RAM的源碼解析與訓練具體過程。