Spatially Supervised Recurrent Convolutional Neural Networks for Visual Object Tracking
arXiv Paper
Project Page：http://guanghan.info/projects/ROLO/
GitHub：https://github.com/wangxiao5791509/ROLO
摘要：本文提出了一种新的方法进行空间监督 RCNN 来进行目标跟踪。我们通过深度神经网络来学习到 locations 的历史信息 和 具有判别性的视觉特征。收到最近的 bbox 回归技术的启发，本文研究了 LSTM 在时间领域的回归能力，可以连接高层视觉特征。跟现有的跟踪算法训练二分类器不同，我们在卷积层 和 recurrent unit 两个方面利用回归直接得到跟踪位置的预测。
由于受到各种跟踪问题的挑战，许多 tracker 都是采用产生式或者判别式的方法来区分前景或者背景，也就是将跟踪看做是一个二分类问题。一个主要的缺点在于：严重依赖于手工设计的feature，无法结合物体的语义信息（semantic information），对于突然的形变并不具有鲁棒性。所以，随着深度学习的火爆，越来愈多的 tracker 开始采用深度feature。但是，在时序上的探索，几乎还没有。
本文的关键动机是：tracking failures can often be effectively recovered by learning from historical visual semantic and tracking proposals.
算法流程：
如上图所示：算法的输入是 video frame，第一个框架是 YOLO，然后是 LSTM 单元，最终输出的是 target 的 location。
然后文章介绍了 LSTM 和 YOLO 的相关背景知识，此处略去，详情请参考相关文章。
本文提出的 tracker 的示意图，如下所示：
网络的训练分为三个阶段：
1. the pre-trained phrase of convolutional layers for feature learning; 卷积层的预训练，以提取 feature
2. the traditional YOLO training phase for object proposal 训练 YOLO 以产生 proposal
3. the LSTM training phase for object tracking. 训练 LSTM 进行跟踪
实验效果展示：
