乳首が敏感なM男の乳首,AV天堂一区二区三区,白丝国产精品网站

本文提出通用的端對端預(yù)測性跟蹤框架 PVT++，旨在解決目標(biāo)跟蹤的部署時的延遲問題。多種預(yù)訓(xùn)練跟蹤器在 PVT++ 框架下訓(xùn)練后“在線”跟蹤效果大幅提高，某些情況下甚至取得了與“離線”設(shè)定相當(dāng)?shù)男Ч?/span>

▲ PVT++

引言

單目標(biāo)跟蹤（SOT）是計算機(jī)視覺領(lǐng)域研究已久的問題。給定視頻第一幀目標(biāo)的初始位置與尺度，目標(biāo)跟蹤算法需要在后續(xù)的每一幀確定初始目標(biāo)的位置與尺度。將這類視覺方法部署在機(jī)器人上可以實現(xiàn)監(jiān)測、跟隨、自定位以及避障等智能應(yīng)用。大多數(shù)目標(biāo)跟蹤算法的研究與評估都基于“離線”假設(shè)，具體而言，算法按照（離線）視頻的幀號逐幀處理，得出的結(jié)果與對應(yīng)幀相比以進(jìn)行準(zhǔn)確率/成功率計算。

然而，這一假設(shè)在機(jī)器人部署中通常是難以滿足的，因為算法本身的延遲在機(jī)器人硬件上不可忽視，當(dāng)算法完成當(dāng)前幀時，世界已經(jīng)發(fā)生了變化，導(dǎo)致跟蹤器輸出的結(jié)果與實際世界的目標(biāo)當(dāng)前狀態(tài)不匹配。換言之，如圖二（a）所示，由于算法的延遲總存在（即使算法達(dá)到實時幀率），輸出的結(jié)果“過時”是不可避免的。

這一思想起源于 ECCV2020 “Towards Streaming Perception”。

由于機(jī)載算力受限，平臺/相機(jī)運動劇烈，我們發(fā)現(xiàn)這一問題在無人機(jī)跟蹤中尤為嚴(yán)重，如圖一所示，相比“離線”評估，考慮算法延遲的“在線”評估可能使得其表現(xiàn)大幅下降。

▲ 圖一. “離線”評估與“在線”評估中各個跟蹤器的表現(xiàn)以及 PVT++ 在“在線”跟蹤中的效果?；疑珗D標(biāo)代表離線評估，藍(lán)色圖標(biāo)代表相同方法在線評估，紅色圖標(biāo)代表相同方法使用 PVT++ 轉(zhuǎn)換為預(yù)測性跟蹤器。

如圖二（b）所示，為解決這一問題，預(yù)測性跟蹤器需要提前預(yù)測世界未來的狀態(tài)，以彌補(bǔ)算法延遲導(dǎo)致的滯后性。

這一理論詳見 ECCV2020 “Towards Streaming Perception” 以及我們過往的工作 “Predictive Visual Tracking（PVT）”。

而與以往的在跟蹤器后使用卡爾曼濾波的方法不同，在本文中，我們從跟蹤器能提供的視覺特征出發(fā)，研發(fā)了端對端的預(yù)測性目標(biāo)跟蹤框架（PVT++）。我們的 PVT++ 有效利用了預(yù)訓(xùn)練跟蹤器可提供的視覺特征并可從數(shù)據(jù)中學(xué)習(xí)目標(biāo)運動的規(guī)律，進(jìn)而做出更準(zhǔn)確的運動預(yù)測。

▲ 圖二.（a）常規(guī)的跟蹤器有延遲，所以結(jié)果總是滯后的。（b）預(yù)測性跟蹤提前預(yù)測世界的狀態(tài)，彌補(bǔ)延遲帶來的滯后性。（c）與基于卡爾曼濾波的方法不同，我們的 PVT++ 有效利用了跟蹤器自帶的視覺特征并可從數(shù)據(jù)中學(xué)習(xí)運動的規(guī)律，進(jìn)而做出更準(zhǔn)確的預(yù)測。

PVT++ 是一個通用的可學(xué)習(xí)框架，能適用不同類型的跟蹤器，如圖一所示，在某些場景下，使用 PVT++ 后甚至能取得與“離線”評估相當(dāng)?shù)摹霸诰€”結(jié)果。

貢獻(xiàn)

我們研發(fā)了端對端的預(yù)測性目標(biāo)跟蹤框架 PVT++，該通用框架適用于不同類型的跟蹤器并能普遍帶來大幅效果提升。
為實現(xiàn)“從數(shù)據(jù)中發(fā)現(xiàn)目標(biāo)運動的規(guī)律”，我們提出了相對運動因子，有效解決了 PVT++ 的泛化問題。
為引入跟蹤器已有的視覺特征實現(xiàn)穩(wěn)定預(yù)測，我們設(shè)計了輔助分支和聯(lián)合訓(xùn)練機(jī)制，不僅有效利用了跟蹤器的視覺知識而且節(jié)省了計算資源。
除了 PVT++ 方法，我們還提出了能夠進(jìn)一步量化跟蹤器性能的的新型評估指標(biāo)e-LAE，該指標(biāo)不僅實現(xiàn)了考慮延遲的評估，而且可以區(qū)分實時的跟蹤器。

方法介紹

為了將整個問題用嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)公式成體系地定義出來，我們花了很多時間反復(fù)打磨 PVT++ 的方法部分?jǐn)⑹?，然而不可避免符號偏多結(jié)構(gòu)也比較復(fù)雜（被 reviewer 們多次吐槽...），讀起來有些晦澀難懂容易 lost，在此僅提供一些我 intuitive 的想法，以方便讀者能夠更快理解文章的核心思想。

▲ 圖三.（a）PVT++ 宏觀框架與（b）e-LAE 評估指標(biāo)

3.1 e-LAE 評估指標(biāo)

與“離線”設(shè)定不同，“在線”跟蹤（LAE）依照算法實際部署的情況設(shè)計，具體而言，其遵循以下兩條原則：1. 運行時，方法只能處理“最新”的一幀，而非連續(xù)的每一幀。如圖三的時間軸所示，假設(shè)世界時間軸為，當(dāng)算法處理第幀結(jié)束時的世界時間位于后一點（這里看圖中上方的算法時間戳），那么此時的“最新”幀為第二幀，算法的下一幀輸入即為第 2 幀，同理，算法的再下一輸入幀為第 5 幀，可以發(fā)現(xiàn)這樣第 1，3，4 幀由于算法延遲被跳過。2. 評估時，選取跟蹤器在對應(yīng)幀的世界時刻能給出的“最新”的結(jié)果進(jìn)行評估。如圖三所示（這里看圖中下方的算法時間戳），假設(shè)我們要評估第 1 幀的結(jié)果，在世界位于第 1 幀時，算法其實并沒有處理完第一幀，故而只能使用“最新”的第幀的輸出結(jié)果進(jìn)行評估。

類似的評估方式最早被提出于 ECCV2020 “Towards Streaming Perception”，在以前的研究 PVT 中，我們針對跟蹤算法做了上述調(diào)整。

然而，這樣的評估方式有一個缺陷，假設(shè)算法速度快于世界幀率（例如圖三下方的算法時間戳），無論算法有多快，評估時的算法滯后永遠(yuǎn)是一幀。換言之，假設(shè)有兩個精度一樣的跟蹤器 A 與 B，A 的速度 > B > 世界幀率，那么這樣的評估指標(biāo)得到的 A，B 的結(jié)果是一樣的，這樣以來，LAE 便無法將實時跟蹤器的速度納入評估中，無法對實時跟蹤器進(jìn)行有效比較。為此，我們設(shè)計了擴(kuò)展版 LAE（e-LAE）。e-LAE 并不要求算法“立刻”給出當(dāng)前幀的最新結(jié)果，而是允許一個一幀內(nèi)的延遲閾值，評估第幀時，只需給出時的最新結(jié)果即可。可以想象到當(dāng) 從 0 逐漸增大到 1 時，實時跟蹤器會慢慢從“在線”結(jié)果變?yōu)椤半x線”結(jié)果（實際結(jié)果從小變大），而跟蹤器越快（延遲越?。?，其對應(yīng)的臨界也就越小。利用這一點，我們使用 的精度 ?精度曲線下面積表示結(jié)果。這樣再次考慮之前的例子，A 的速度快，它便能在較小時變?yōu)閿?shù)值更大的“離線”結(jié)果，這樣的曲線下面積也就大于跟蹤器 B，e-LAE 便能成功區(qū)分兩個精度一樣速度不同的實時跟蹤器了。基于 e-LAE，我們在機(jī)器人平臺 AGX Xavier 上進(jìn)行了眾多跟蹤器詳盡的實驗，涉及 17 個跟蹤器，三個數(shù)據(jù)集，詳見原文圖五，e-LAE 可以區(qū)分一些精度接近而速度有一些差距的實時跟蹤器，如 HiFT 與 SiamAPN++（原文 Remark 2）。我們正在進(jìn)一步檢查所有結(jié)果，最終確認(rèn)后也會將評估的原始結(jié)果開源。

3.2 PVT++

無論算法的速度有多快，其延遲總存在，故而我們設(shè)計了端對端預(yù)測性跟蹤框架彌補(bǔ)延遲。如圖三（a）所示，PVT++ 的結(jié)構(gòu)非常直觀簡單，跟蹤器模塊即普通的已有的（基于深度學(xué)習(xí)的）跟蹤算法，預(yù)測器接受跟蹤器輸出的歷史運動，跟蹤器的歷史視覺特征，以及預(yù)設(shè)的落后幀數(shù) 作為輸入，輸出未來幀的目標(biāo)位置。

PVT++ 的結(jié)構(gòu)看上去雖然簡單直觀，但使用離線數(shù)據(jù)訓(xùn)練這一套框架使之協(xié)助在線無人機(jī)跟蹤并非易事，其獨道之處在于以下三點：

相對運動因子：我們發(fā)現(xiàn)訓(xùn)練 PVT++ 會遇到一個核心問題，訓(xùn)練集與測試集的域差距。試想，如果用于訓(xùn)練 PVT++ 的數(shù)據(jù)來自 VID，LaSOT，GOT10k 這些目標(biāo)運動尺度較小，方向速度較規(guī)律的數(shù)據(jù)集，PVT++ 自然會嘗試擬合這些運動規(guī)律而難以泛化到目標(biāo)運動更復(fù)雜，尺度更大的無人機(jī)跟蹤場景。為了解決這一問題，我們將 PVT++ 的訓(xùn)練目標(biāo)改為學(xué)習(xí)/擬合特殊設(shè)計的相對運動因子，即原文公式（4）：

這里可以簡單理解為過去幾幀的平均速度，在左側(cè)的公式中，我們可以先假設(shè)目標(biāo)是勻速運動的，即未來幀的相對位置變化正比于未來幀的時間間隔和平均速度，此后我們的神經(jīng)網(wǎng)絡(luò)只需要在這一假設(shè)上做出調(diào)整即為未來的真實運動。這一設(shè)計也就使得預(yù)測器需要學(xué)習(xí)的東西是“相對于勻速運動假設(shè)的偏差值”，即相對運動因子，而非絕對的運動值。

我們發(fā)現(xiàn)這一預(yù)測目標(biāo)在大多數(shù)時候與目標(biāo)的絕對運動是無關(guān)的，故而訓(xùn)練出的網(wǎng)絡(luò)也就不易擬合訓(xùn)練集中的絕對運動，有著更好的泛化性。這一設(shè)計是 PVT++ 能 work 的核心原因。預(yù)測器輸出的相對運動會用于后續(xù)設(shè)計與真值的 L1 損失作為訓(xùn)練損失函數(shù)。

輕量化預(yù)測器結(jié)構(gòu)：另一個問題是，預(yù)測器本身必須足夠輕量才能避免預(yù)測模塊引入額外的延遲，否則會導(dǎo)致整個系統(tǒng)失效。為此，我們設(shè)計了輕量有效的網(wǎng)絡(luò)架構(gòu)，包含 encoder - interaction - decoder 三部分，并能兼容運動軌跡信息與視覺特征，具體如圖四，其中大多數(shù)網(wǎng)絡(luò)層都可以有著非常小的通道數(shù)以實現(xiàn)極低的延遲（詳見原文表 3）。此外，我們預(yù)測器的設(shè)計也最大程度上復(fù)用了跟蹤器能提供的視覺特征，因此節(jié)省了提取視覺特征所需要的計算資源。

▲ 圖四. PVT++ 中預(yù)測器的輕量化網(wǎng)絡(luò)架構(gòu)。 如何有效利用跟蹤器已有的視覺特征：最后，為了使輕量的預(yù)測器做出穩(wěn)健的預(yù)測，我們設(shè)計了一系列訓(xùn)練策略使得參數(shù)量很少的預(yù)測器有效利用（較大型）預(yù)訓(xùn)練跟蹤器的能提供的魯棒視覺表征。具體而言，我們發(fā)現(xiàn)以下兩點設(shè)計尤為重要：

輔助分支：預(yù)測器的視覺分支（圖四（b））需要當(dāng)前的相對運動信息作為監(jiān)督信號（圖四的虛線框部分）才能用于預(yù)測未來的運動。詳見原文 5.3 節(jié)。
聯(lián)合訓(xùn)練：在訓(xùn)練 PVT++ 時，跟蹤器模塊需要在早期的訓(xùn)練 epoch 中以較小的學(xué)習(xí)率聯(lián)合預(yù)測器一起訓(xùn)練，進(jìn)而使視覺特征既適用跟蹤器做定位，又適合預(yù)測器做預(yù)測。詳見附錄 B 中的訓(xùn)練設(shè)定與我們的開源代碼。

更多關(guān)于方法的細(xì)節(jié)介紹歡迎大家參考我們的原文（p.s.，我們的附錄 B 提供了一個符號表輔助閱讀...）

實驗部分

全文的實驗設(shè)計包括 e-LAE 的評估（原文圖五）與 PVT++ 的效果、分析兩部分，在這里著重介紹 PVT++ 有關(guān)的實驗。

4.1 設(shè)置

為了公平比較基線跟蹤器，PVT++ 采用與他們訓(xùn)練相同的 LaSOT+GOT10k+VID 作為訓(xùn)練集（均為視頻）（實際上僅用 VID 也可以取得較好效果，詳見附錄 L）。具體而言，我們直接加載了跟蹤器原作者提供的模型參數(shù)作為我們的跟蹤器模塊，再使用離線數(shù)據(jù)訓(xùn)練 PVT++。評估時我們使用了四個無人機(jī)跟蹤權(quán)威數(shù)據(jù)集 DTB70，UAVDT，UAV20 L 以及 UAV123，廣泛驗證了 PVT++ 的泛化性。

4.2 整體效果

▲ 表一

PVT++ 的整體效果如表一所示，我們共將四個跟蹤器轉(zhuǎn)化為了預(yù)測性跟蹤器，在四個無人機(jī)跟蹤數(shù)據(jù)集中，PVT++ 能起到廣泛而顯著的效果?？梢园l(fā)現(xiàn) PVT++ 在某些場景下能達(dá)到超過 60% 的提升，甚至與跟蹤器的離線效果相當(dāng)。另外我們也發(fā)現(xiàn)并不是所有的情況下視覺信息都是有效可靠的，例如在 DTB70 中，僅用 PVT++ 的 motion 分支也可以起到一定的效果。

4.3 消融實驗

這里著重展示一下消融實驗表四，如果不預(yù)測相對運動因子而是直接用絕對運動的值作為預(yù)測目標(biāo)（和損失函數(shù)設(shè)計），預(yù)測器完全不 work，甚至?xí)胴?fù)面影響。當(dāng)引入視覺特征以后，輔助分支的監(jiān)督和聯(lián)合訓(xùn)練都是必要的，其中聯(lián)合訓(xùn)練的重要性更大。

4.4 與其他方法對比

▲ 表五如表五，我們嘗試了直接在跟蹤器后加入卡爾曼濾波（即沿用 ECCV2020 “streaming” 的思想）以及我們之前雙濾波（PVT）的方案，并且在審稿人的建議下設(shè)計了可學(xué)習(xí)的基線方法（具體而言，我們將卡爾曼濾波中的噪聲項作為可學(xué)習(xí)參數(shù)）。這些方法都沒有利用跟蹤器已有的視覺特征，所以綜合效果差于聯(lián)合了運動與視覺特征的 PVT++。

4.5 可視化

▲ 圖五. PVT++與卡爾曼濾波的可視化對比在圖五中的三個序列中，我們發(fā)現(xiàn)卡爾曼濾波預(yù)測器很難處理目標(biāo)平面內(nèi)旋轉(zhuǎn)以及無人機(jī)視角變化的情況，在這些挑戰(zhàn)中，引入視覺信息進(jìn)行目標(biāo)尺度預(yù)測是尤為有效的。另外本文也進(jìn)行了更為詳盡的實驗，如屬性分析、與其他運動預(yù)測方法（如 NEXT）的對比、PVT++ 作用在最新的基于 transformer 的跟蹤器等，歡迎大家參閱我們的附錄。

局限性與討論

PVT++ 的局限性在于兩點：

預(yù)測器使用的視覺特征并不總是魯棒，我們發(fā)現(xiàn)在 DTB70 這類目標(biāo)運動速度很快導(dǎo)致圖片模糊/目標(biāo)出視野，但目標(biāo)運動本身很規(guī)律的數(shù)據(jù)集中其實單靠運動分支就可以起到很好的效果。
訓(xùn)練策略有些復(fù)雜，特別是聯(lián)合訓(xùn)練時跟蹤器模塊在早期 epoch 用較小學(xué)習(xí)率微調(diào)這一些細(xì)節(jié)我們嘗試了很多次實驗才發(fā)現(xiàn)。

e-LAE 的局限性在于可復(fù)現(xiàn)性與平臺依賴性：由于這套在線評估系統(tǒng)與算法的實際延遲緊密相關(guān)，而延遲又與硬件平臺的狀態(tài)有關(guān)，我們發(fā)現(xiàn)甚至同一型號的硬件上的同一實驗結(jié)果也會略有不同（就是說甚至同一臺 AGX 放久了好像也會稍微慢一點....）。我們已經(jīng)嘗試在同一硬件上集中多次運行以盡可能降低硬件的不穩(wěn)定性帶來的影響并會將原始結(jié)果開源以方便大家復(fù)現(xiàn)結(jié)果。另外我們也提供了一個“模擬” AGX 硬件的腳本，可以將硬件上統(tǒng)計的延遲時間直接使用（而不是每次都一定要在機(jī)器人硬件上運行），詳見我們的開源代碼。預(yù)測性“在線”目標(biāo)跟蹤依然是一個相當(dāng)困難的研究問題，可能并不是增大數(shù)據(jù)量/模型參數(shù)量能輕易解決的，仍有著較大的提升空間?，F(xiàn)在視覺領(lǐng)域正快速涌現(xiàn)一批批“奇觀”，在線延遲也 potentially 有著其他的解決方案值得研究。譬如最近有一篇比較出圈的工作叫 OmniMotion，我們能不能依賴點的 correspondence，考慮從目標(biāo)上每個 point 的運動規(guī)律出發(fā)，推理物體 local 到 global 的未來運動？這樣也許能實現(xiàn)比 PVT++ 更出彩的效果。另外將算法延遲問題引入如今大火的一些 foundation model 研究中也是有意思的方向。譬如 SAM 和 DINOv2 的視覺特征是不是比 ImageNet pre-train 的 ResNet 更適合做視覺運動預(yù)測？如果是的話又該怎么處理這些超大規(guī)模預(yù)訓(xùn)練出的視覺特征？或許可以從 TrackAnything 入手研究。

原文標(biāo)題：PVT++：通用的端對端預(yù)測性跟蹤框架

文章出處：【微信公眾號：智能感知與物聯(lián)網(wǎng)技術(shù)研究所】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請聯(lián)系本站處理。舉報投訴