【TripletTracking(ECCV2018)】论文阅读 Triplet Loss in Siamese Network for Object Tracking

Triplet Loss in Siamese Network for Object Tracking 项目主页

写在前面

这篇文章发表在ECCV2018上，速度快，精度还行，但是个人感觉还是因为方法比较新才被接收的。这篇文章的思路其实很简单，很大的篇幅都是在解释triplet loss为什么管用，在这里就不详细描述这块内容，主要掌握一下思路，具体的公式以及可视化的比较可以去看论文。

Motivation

一个动机是使用Siamese的动机，那些需要在线更新的tracker十分费时，所以才要用这种realtime的结构；
另一个动机是本文是出发点：SiamFC虽然使用了比较好的特征，但是它没有充分利用样本直接的联系。

Contribution

将三元组损失引入到SiamFC中，使得tracker更加具有分辨力；
做了充分的公式推导，严谨得通过理论证明了为什么引入三元组损失管用

Algorithm

【TripletTracking(ECCV2018)】论文阅读 Triplet Loss in Siamese Network for Object Tracking
网络结构如上图，其实和SiamFC就是一样的，文章还特意把SiamFC使用的logistical损失也画了出来，从上图中也可以看到，logistical的损失一共有M+N中，这里的M是指正样本对，N是指负样本对的个数。也就是Triplet的损失一共有M×N种，而logistical的损失只有M+N中，这样的话肯定是Triplet利用到的信息更多。这个文章的网络结构和参数都和SiamFC一样，只是最后在损失函数上有了改变，所以速度和SiamFC几乎是一样的。

下面对比两个损失函数：
1、Logistical

$L_l(Y,V) = \sum_{x_i \in X}w_ilog(1+e^{-y_i\cdot v_i})$
2、Triplet
$L_t(V_p,V_n) = -\frac{1}{MN}\sum_{i}^M\sum_j^Nlog(\frac{e^{vp_i}}{e^{vp_i}+e^{vn_j}})$

其中Y表示ground truth， V表示样本， $V_p$ 表示正样本对， $V_n$ 表示负样本对。

从两个损失函数中，我们也可以看出不同，第一个只是单纯的使用正样本对和负样本对，而第二个损失函数，正样本和负样本之间是有关系的，这样就充分利用了样本之间的一些联系。
这么做的意义就是希望当 $v_p <v_n$ 的时候，损失函数给出的梯度大，也就是强调了需要优化的地方。文章中有一节是对比两个损失的梯度变化的，对这个做了详细的解释，感兴趣的可以去看文章。