[論文レビュー] Siamese Anchor Proposal Network for High-Speed Aerial Tracking

Changhong Fu, Ziang Cao+3 more|arXiv (Cornell University)|Dec 19, 2020

Video Surveillance and Tracking Methods参考文献 33被引用数 4

ひとこと要約

本稿では、高効率な空中追跡を実現する二段階型シアン型ネットワークSiamAPNを提案する。本手法は、事前固定のアンカーに依存しない新しいアンカープロポーザルネットワーク（APN）を用い、適応的で事前知識のないアンカーを生成することで、ハイパラメータ数を削減し、小型・部分的遮蔽・高速移動対象物に対する耐性を向上させる。3つのUAVベンチマークにおいて、最先端の性能を達成するとともに、約200 FPSの高速推論を実現し、SiamRPN++やSiamFC++を上回る精度とAUC性能を示した。

ABSTRACT

In the domain of visual tracking, most deep learning-based trackers highlight the accuracy but casting aside efficiency. Therefore, their real-world deployment on mobile platforms like the unmanned aerial vehicle (UAV) is impeded. In this work, a novel two-stage Siamese network-based method is proposed for aerial tracking, extit{i.e.}, stage-1 for high-quality anchor proposal generation, stage-2 for refining the anchor proposal. Different from anchor-based methods with numerous pre-defined fixed-sized anchors, our no-prior method can 1) increase the robustness and generalization to different objects with various sizes, especially to small, occluded, and fast-moving objects, under complex scenarios in light of the adaptive anchor generation, 2) make calculation feasible due to the substantial decrease of anchor numbers. In addition, compared to anchor-free methods, our framework has better performance owing to refinement at stage-2. Comprehensive experiments on three benchmarks have proven the superior performance of our approach, with a speed of around 200 frames/s.

研究の動機と目的

• リソース制限のあるUAVプラットフォームにおけるディープラーニングベースの空中追跡の効率性と耐性のトレードオフを解消すること。
• 事前定義されたアンカーに依存するアンカーベース手法の限界を克服し、ハイパラメータに敏感で、変動するオブジェクトサイズに対応しづらい問題を解消すること。
• 事前仮定なしに適応的アンカー生成を導入することで、アンカーフリー手法と比較して一般化性能を向上させるとともに、計算リダンドンを低減すること。
• 高速移動、低解像度、遮蔽といったUAV固有の課題に強靱に耐えるように、軽量で効率的なアーキテクチャを設計し、追跡性能を向上させること。
• 標準的な空中追跡ベンチマークで高い精度を維持しつつ、実時間推論速度（約200 FPS）を達成すること。

提案手法

• 段階1で、特徴マップの各ピクセルに対して1つの適応的アンカーを生成するアンカープロポーザルネットワーク（APN）を用いる二段階型シアン型フレームワークを提案。これにより、固定アンカー事前分布を排除する。
• APNは、エンドツーエンドで適応的アンカーの位置とサイズを予測し、さまざまなサイズのオブジェクトへの一般化性能を向上させるとともに、アンカー数を約90％削減する。
• 空間的位置情報の特徴マップ統合を目的とした特徴マップ統合ネットワークを導入し、意味的表現と回帰精度を向上させる。
• トレーニング中のネガティブサンプルの不均衡を軽減し、識別能を向上させるために、マルチクラス分類構造を採用する。
• 冗長なアンカープロポーザルを最小限に抑え、軽量なコンponentsで特徴抽出を最適化することで、高速推論を実現するネットワークを設計する。
• クロスエントロピーとIoUベースの損失関数を用いて、分類と回帰ヘッドを統合的に学習する。

実験結果

リサーチクエスチョン

• RQ1 適応的アンカー生成を有するシアン型ネットワークは、空中追跡において高精度を維持しつつ、実時間推論速度を達成できるか？
• RQ2 固定アンカー事前分布を排除することで、小型・遮蔽・高速移動対象物に対する耐性にどのような影響を与えるか？
• RQ3 アンカー位置情報の特徴統合は、標準アンカーベースまたはアンカーフリー手法と比較して、追跡性能にどの程度向上効果をもたらすか？
• RQ4 提案手法は、標準UAVベンチマークにおいて、精度、AUC、速度の観点でSOTAトラッカーを上回ることができるか？
• RQ5 ハイパラメータ数とアンカー数の削減は、複雑な空中シナリオにおける一般化性能と学習安定性の向上に寄与するか？

主な発見

• SiamAPNは約200 FPSを達成し、モバイルおよびUAVプラットフォームにおける実時間デプロイメントに適している。
• UAV20Lでは76.2%の精度と56.3%のAUCを達成し、2番目に優れたトラッカー（SiamRPN++）を精度で2.5%、AUCで0.6%上回った。
• VisDrone2018-SOT-testでは81.4%の精度と58.4%のAUCを達成し、1位となり、UDT+（78.6%, 57.8%）とSiamFC++（73.8%, 56.2%）を上回った。
• UAV123@10fpsでは75.2%の精度と56.6%の成功率を達成し、SiamRPN++より精度で2.3%向上し、1位を記録した。
• 属性別評価では、SiamFC++と比較して、高速移動時で平均3.9%、完全遮蔽時で4.0%、低解像度時で3.9%のAUC向上を達成した。
• 高速移動時ではSiamRPN++を5.1%、完全遮蔽時では4.55%上回り、UAV固有の課題に強い耐性を示した。