原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
孪生网络;
孪生神经网络是一种简单却又十分强大的神经网络结构。
它在目标识别与追踪、精确制导，行人重识别、人脸验证、笔迹验证、图像匹配等领域具有重要应用。尤其在基于孪生网络的目标检测与追踪方面，已有大量的研究，研究者们设计了SiamFC、SiamRPN、SiamRPN++、DaSiamRPN等经典算法。
本质上，孪生网络是一种实现深度度量学习的深度学习技术。
孪生神经网络的特点是输入成对图像(两幅图像)，返回其相似度的值；
或用于优化特征空间，使得同类图像特征向量之间的距离更近，不同类图像的距离更远;;
基于孪生网络的人脸验证算法，损失函数使用对比损失，或分类损失，如BCE函数(BinaryCrossEntropy损失)训练过程中，输入不同的成对图像，正负样本对。;128
整体流程
该算法的神经网络是普通的分类网络，而非孪生网络;
输入图像对(目标图像和包含该示例的待搜索图像)
尺寸：127*127255*255像素
输出结果是17*17的得分矩阵，表示示例图像在待搜索图像中利用滑动窗口滑动一轮后得到的相似性值矩阵。
GT目标矩阵，是一个17*17的矩阵，以矩阵中心为圆心，半径为R的区域内的点/位置为1，其它为-11代表Positivepatches，-1代表Negativepatches;
问题：SiamFC中，Positivepatches可能很少，Negativepatches可能很多，如P=13,N=212
思想：使用SiamFC的孪生网络结构，但是损失函数使用TripletLoss，以充分利用正负样本(patch)间的联系。
计算损失时，该损失计算范围是PxN个组合，利用到了更多的信息；而SiamFC的损失公式包含P+N个项。
该算法与SiamFC算法的区别仅在于损失函数不同。
注：由于提前挑出来了正负patch，那么正patch中的样本所以对应的目标值当然是1；负patch目标值为-1。
注：该TripletLoss与前文的TripletLoss同名但不完全同义。
7
TripletLossinSiameseNetworkforObjectTracking.ECCV2018.
文档评论（0）