Paper速读-[Visual Prompt Multi-Modal Tracking]-Dlut.edu-CVPR2023

文章目录

简介

这篇文章说了个什么事情呢，来咱们先看简单的介绍图

简单来说，这篇文章主要干了这么一个事情：

以前的多模态呢，都是直接提取特征然后拼接到一起。这个文章不一样，我把所有的模态分开主次，其中只有一个主要模态，剩下的都是附加的。这些附加的模态可就不要再提取特征了，而是通过他们来提取prompt出来。并且使用这些prompt来帮助我的模型更好的在主要模态上提取特征。除此之外，还有一个不一样的点就是在主要模态上提取特征的时候，backbone，这里叫fundation model的模型参数是不更新的。

OK，你已经看完这篇文章了。。当然啦，如果还想知道知道更多的技术细节，咱们接着往下看。

关于具体的思路

咱们来看第二张图，模型的详细介绍

这个图其实画的很好，过程非常直观。接下来咱们只需要展开说说其中的细节就可以了

问题描述

首先，我们想要得到的是追踪器，单模态的方法中，假如说叫做 F R G B : { X R G B , B 0 } → B F_{RGB} : \{X_{RGB}, B_0\} \rightarrow B FRGB:{XRGB,B0}→B，那么 B B B就是目标的box， B 0 B_0 B0就是这个框的初始值， X R G B X_{RGB} XRGB就是需要搜索的帧。那么接下来，在多模态的方法中，加入了一个啥呢 F R G B : { X R G B , X A , B 0 } → B F_{RGB} : \{X_{RGB}, X_{A},B_0\} \rightarrow B FRGB:{XRGB,XA,B0}→B，变成这个样子了。其中这个 A A A代表的就是其他的模态，比如说深度图，热力图之类的东西。

接下来，我们把问题拆成两个部分，首先是 f 1 : X R G B , X A , B 0 } → H R G B f_1 : {X_{RGB}, X_{A},B_0\}} \rightarrow H_{RGB} f1:XRGB,XA,B0}→HRGB 。这个部分表示的是特征提取和交互的部分，之后我们紧跟 f 2 : H R G B → B f_2 : H_{RGB} \rightarrow B f2:HRGB→B ，这个部分也就是最后的预测头。

算法细节

在这里会将一些细节，但是也不会那么细。简单来说是这样的

使用类似ViT之类的模型从最初的 X R G B X_{RGB} XRGB得到 H R G B 0 H^0_{RGB} HRGB0，接下来就可以进行后续的迭代编码：
然后的公式其实就很直观了哈，咱们紧接上一步，接着往下看。首先我们可以知道，通过RGB和补充模态A，我们可以得到两个初始化的值 H R G B 0 H^0_{RGB} HRGB0和 H A 0 H^0_{A} HA0。接下来， H R G B 0 H^0_{RGB} HRGB0通入我们的解码器，或者叫Foundation model，而 H R G B 0 H^0_{RGB} HRGB0和 H A 0 H^0_{A} HA0被送到一个叫做MCP (modality-complementaryprompter) 的模块里面，这个模块咱们之后细讲。接下来，从MCP学到的prompt就被按照这样的方式使用起来了：

这个其中的P其实就是我们的prompt，H就是我们需要送入下一层解码器的输入。那么这个具体怎么得到呢？咱们再往下看
简单来说，MCP就是这个样子：
展开来说呢， H 0 = H R G B 0 H^0 = H^0_{RGB} H0=HRGB0， P 0 = H A 0 P^0 = H^0_{A} P0=HA0。然后 P l P^l Pl表示第l个MCP模块，这个MCP模块具体长成这样：
OK，细节基本就是这样，再具体的可以去看一下原来的论文。

实验结果

模型的潜力

better adaptability than full fine-tuning
a closer association between RGB and RGB+auxiliary modality tracking, as well as learning about the modal complementarities
其实说白了就是更好的适应性和更好的学习能力

模型结果

OK，那么以上就是本篇文章的全部内容了，感兴趣的小伙伴可以点击开头的链接阅读原文哦

关于更多的文章，请看这里哦文章分享专栏 Paper sharing Blog