基于2D-RNN的鲁棒行人跟踪
Recurrent Neural Networks RNN 行人跟踪
读”G.L. Masala, et.al., 2D Recurrent Neural Networks for Robust Visual Tracking of Non-Rigid Bodies, EANN 2016, CCIS 629, 18-34″笔记
首先给一些介绍Recurrent Neural Network比较好的材料：
需要注意的是
Recurrent Neural Network, RNN, 循环神经网络
Recursive Neural Network, RNN, 递归神经网络
许多文章这两个都不加区分，其实还是有所不同的,见：
循环神经网络，Recurrent Neural Network,我们下面称之为RNN,存在一个feed-back的过程，因此很适合处理序列信息，而视频数据显然就是典型的序列信息。
可以发现展开的RNN结构和HMM结构非常相似：
展开的RNN结构.jpg
HMM结构示意.jpg
所以在做跟踪问题时，RNN可以类似于HMM分为两个阶段 predict和 update
RNN for Tracking
首先，提取目标的特征，可以时表观、大小、位置等等，然后使用t-k到t帧中的目标预测第t帧中目标的状态，之后使用交叉相关的方法更新t+1帧中目标的状态
其过程如下图：
RNN for Tracking 框架.jpg
文中给出的简单的RNN框架：
RNN框架.jpg
令
表示输入层数据，
表示隐层输出数据, 
表示输出层数据，context layer,即记忆层的输出
,那么
其中f是激活函数。
目标函数为：
显然，其中
是目标在t时刻真正的状态, 
是检测出的状态，e是目标运动停止时刻。
该网络可以通过BP算法计算得到， 
网络规模具体设置后面介绍。
不过可以发现一点，RNN的记忆层纯粹的使用上一时刻的输出作为输出，显然不大合理，虽然后续使用线性组合和激活函数对该输出做了一定的变换，但那是和第t时刻输入一起作用的。为了更好的利用前一时刻的信息，可以对上一时刻的输出做响应的编码，然后再和第t时刻的输入一起进入隐层。这种思想可以在LSTM中见到。
2D-RNN for Tracking
类似于NN->CNN, 2D-RNN相对与RNN而言，输入数据直接时图像，而且层与层之间不再是全链接的关系，而是使用类似卷积的形式，不过与CNN池化不同的是，输入是图像，输出也是图像。其结构如下图所示：
2D-RNN结构.jpg
至于连接区域的大小，可以通过训练过程学习获得。
显然该结构的隐层输出和输出层输出分别为
实验
改论文的实验数据来自于2012伦敦奥运会三级跳决赛的视频录像，其要跟踪的就是三级跳运动员。
数据包含10段图像序列，视频帧率29fps，时长45s左右，图像大小1280720(实际操作中resize to 12872),每10帧采一帧。每个目标使用50*50的方形框框定（这点我觉得误差太大，一点都不精确）
简单RNN： 2500输入节点、250隐层节点、250记忆节点、2500输出节点，3层网络
2D- RNN: 2500输入节点、2500隐层节点、2500记忆节点、2500输出节点，3层网络， k=3
在Intel CoreTM 2 DUO CPU E 8400 @ 3.00 GHz, 4GB RAM机器上使用5-folder cross validation 对比结果如下：
RNN和2DRNN对比结果.jpg
其中 SRN 表示 Simple RNN.
连接数的计算SRN: 
， 2D-RNN: 
可以发现连接数少了，学习时间短了许多，而且性能上2DRNN表现也稍微好一点。
下图给出了RNN和2DRNN预测图，图片模糊是因为输出的是和概率有关的位置分布。
1478163693921.jpg
后面和其他方法的比较，就不说了，因为我觉得毕竟不是在同一个数据集上的结果，这么横向对比意义不大。
Conclusion
-
2DRNN方法相对于RNN方法，利用了序列信息的同时保留了部分结构信息，使用卷积的方法，使连接参数的数目明显减少，降低了模型训练的复杂度。
-
关于性能方面，但从论文提供的数据，并没有发现2DRNN相比与RNN提高多少。
-
论文中的RNN和2DRNN都仅仅使用的是三层网络结构，可以猜想随着层数的增加，模型性能会得到一定提高
-
模型没有考虑遮挡的问题
-
可以对该模型进行修改，输入不仅仅时bounding of Box,可以输入表观和大小、位置等信息，然后预测目标在下一帧的状态，接着可以使用KCF进行update，应该能够满足实时性要求，而且通过RNN的使用可以缓解KCF中目标旋转、缩放等局限性。
