原文鏈接

SiamFC網絡

<

圖中z代表的是模板圖像，算法中使用的是第一幀的ground truth；x代表的是search region，代表在后面的待跟蹤幀中的候選框搜索區(qū)域；?代表的是一種特征映射操作，將原始圖像映射到特定的特征空間，文中采用的是CNN中的卷積層和pooling層；6×6×128代表z經過?后得到的特征，是一個128通道6×6大小feature，同理，22×22×128是x經過?后的特征；后面的×代表卷積操作，讓22×22×128的feature被6×6×128的卷積核卷積，得到一個17×17的score map，代表著搜索區(qū)域中各個位置與模板相似度值。

算法本身是比較搜索區(qū)域與目標模板的相似度，最后得到搜索區(qū)域的score map。其實從原理上來說，這種方法和相關性濾波的方法很相似。其在搜索區(qū)域中逐點的目標模板進行匹配，將這種逐點平移匹配計算相似度的方法看成是一種卷積，然后在卷積結果中找到相似度值最大的點，作為新的目標的中心。

上圖所畫的?其實是CNN中的一部分，并且兩個?的網絡結構是一樣的，這是一種典型的孿生神經網絡，并且在整個模型中只有conv層和pooling層，因此這也是一種典型的全卷積（fully-convolutional）神經網絡。

在訓練模型的時肯定需要損失函數，并通過最小化損失函數來獲取最優(yōu)模型。本文算法為了構造有效的損失函數，對搜索區(qū)域的位置點進行了正負樣本的區(qū)分，即目標一定范圍內的點作為正樣本，這個范圍外的點作為負樣本，例如圖1中最右側生成的score map中，紅色點即正樣本，藍色點為負樣本，他們都對應于search region中的紅色矩形區(qū)域和藍色矩形區(qū)域。文章采用的是logistic loss，具體的損失函數形式如下：

對于score map中了每個點的損失：

l(y,x)=log(1+exp(-xy))

其中v是score map中每個點真實值，y∈{+1,?1}是這個點所對應的標簽。

上面的是score map中每個點的loss值，而對于score map整體的loss，則采用的是全部點的loss的均值。即：

L(y,v)=\\frac{1}{|D|}\\displaystyle \\sum_{u\\in D}l(y[u],v[u])

這里的u∈D代表score map中的位置。

整個網絡結構類似與AlexNet，但是沒有最后的全連接層，只有前面的卷積層和pooling層。

整個網絡結構如上表，其中pooling層采用的是max-pooling，每個卷積層后面都有一個ReLU非線性激活層，但是第五層沒有。另外，在訓練的時候，每個ReLU層前都使用了batch normalization（批規(guī)范化是深度學習中經常見到的一種訓練方法，指在采用梯度下降法訓練DNN時，對網絡層中每個mini-batch的數據進行歸一化，使其均值變?yōu)?，方差變?yōu)?，其主要作用是緩解DNN訓練中的梯度消失/爆炸現象，加快模型的訓練速度），用于降低過擬合的風險。

AlexNet

AlexNet為8層結構，其中前5層為卷積層，后面3層為全連接層；學習參數有6千萬個，神經元有650,000個。AlexNet在兩個GPU上運行；AlexNet在第2,4,5層均是前一層自己GPU內連接，第3層是與前面兩層全連接，全連接是2個GPU全連接；

RPN層第1,2個卷積層后；Max pooling層在RPN層以及第5個卷積層后。ReLU在每個卷積層以及全連接層后。

卷積核大小數量：

• conv1:96 11×11×3(個數/長/寬/深度)
• conv2:256 5×5×48
• conv3:384 3×3×256
• conv4: 384 3×3×192
• conv5: 256 3×3×192

ReLU、雙GPU運算：提高訓練速度。（應用于所有卷積層和全連接層）

重疊pool池化層：提高精度，不容易產生過度擬合。（應用在第一層，第二層，第五層后面）

局部響應歸一化層(LRN)：提高精度。（應用在第一層和第二層后面）

Dropout：減少過度擬合。（應用在前兩個全連接層）

微調（fine-tune）

看到別人一個很好的模型，雖然針對的具體問題不一樣，但是也想試試看，看能不能得到很好的效果，而且自己的數據也不多，怎么辦？沒關系，把別人現成的訓練好了的模型拿過來，換成自己的數據，調整一下參數，再訓練一遍，這就是微調（fine-tune）。

凍結預訓練模型的部分卷積層（通常是靠近輸入的多數卷積層），訓練剩下的卷積層（通常是靠近輸出的部分卷積層）和全連接層。從某意義上來說，微調應該是遷移學習中的一部分。

感知機：PLA

多層感知機是由感知機推廣而來，感知機學習算法(PLA: Perceptron Learning Algorithm)用神經元的結構進行描述的話就是一個單獨的。

感知機的神經網絡表示如下：

多層感知機：MLP

多層感知機的一個重要特點就是多層，我們將第一層稱之為輸入層，最后一層稱之為輸出層，中間的層稱之為隱層。MLP并沒有規(guī)定隱層的數量，因此可以根據各自的需求選擇合適的隱層層數。且對于輸出層神經元的個數也沒有限制。

MLP神經網絡結構模型如下,本文中只涉及了一個隱層，輸入只有三個變量[x1,x2,x3]和一個偏置量b，輸出層有三個神經元。相比于感知機算法中的神經元模型對其進行了集成。

ReLU函數

ReLU函數公式如下：

RELU(x)= \\begin{cases} x, & \\text {if x>0} \\ 0, & \\text{if x<0} \\end{cases}

圖像如下：

sigmod函數

sigmod 函數在趨于正無窮或負無窮時，函數趨近平滑狀態(tài)。因為輸出范圍（0，1），所以二分類的概率常常用這個函數。

sigmoid函數表達式如下 ：

f(x)=\\frac{1}{(1-e^{-z})}

圖像如下：

學習更多編程知識，請關注我的公眾號：

[代碼的路]