Real-time ‘Actor-Critic’ Tracking

Real-time ‘Actor-Critic’ Tracking

2019-07-15 10:49:16

Paper: http://openaccess.thecvf.com/content_ECCV_2018/papers/Boyu_Chen_Real-time_Actor-Critic_Tracking_ECCV_2018_paper.pdf

Code: https://github.com/bychen515/ACT

1. Background and Motivation:

本文提出一种利用 “连续” 动作空间的强化学习算法来进行跟踪。之前的 MDNET 是随机采样，然后进行打分的；而 ADNet 是 “离散”的动作选择，即：通过一系列离散的动作选择，实现 BBox 的移动，来完成跟踪。下图展示了本文方法与这两种方法的不同：

本文的贡献点在于：

1). 该算法是首次探索了连续的动作 (continuous actions) 进行跟踪，仅通过 Actor model 进行一次动作选择，即可完成动作的定位；

2). 该算法也是首次利用 “Actor-Critic” 跟踪框架。

3). 在速度达到实时的同时，精度也比不错。

2. Tracking via the "Actor-Critic" Network:

2.1 Problem Settings：

本文将跟踪问题看做是序列决策问题（Decision-making problem）。基础的马尔科夫决策过程包括如下几个元素：State，Action，State transition functions，Reward。

在本文中，tracker 被当做是 agent，并且来预测每一帧目标物体的准确位置。该智能体与环境进行交互，通过观察 s，执行动作 a，并且得到奖励 r。在第 t 帧中，智能体根据当前的状态 s，给出了连续的动作 a，得到了跟踪结果 s'。动作 a 被定义为：the relative motion of the tracked object，表明在当前帧，应该怎么直接移动 BBOX。与 ADNET 不同的是，该算法仅仅执行一个连续的动作，来定位目标物体，使得该算法更加高效。具体各个元素的定义如下：

State：

在该工作中，作者定义状态 s 为：在BBox内部的观察到的图像块。给定视频帧 F 和 BBox b = [x, y, h, w]，作者首先用预处理函数 s 来处理得到该图像块。

Action and State Transition：

为了进行连续的控制，动作空间被假设为连续的，即：如何直接移动该 BBox。此处，作者用 $a = [\Delta x, \Delta y, \Delta s]$ 来描绘跟踪物体的相对运动，$\Delta x, \Delta y$ 表明了物体水平和竖直方向的变换，$\Delta s$ 表明了尺寸的相对变换。考虑到跟踪物体时序上的连续性，作者加了如下的约束来控制 BBox 的变化幅度：$-1 <= \Delta x <= 1, -1 <= \Delta y <= 1, -0.05 <= \Delta s <= 0.05$。通过对上一帧的 BBox 进行这样动作的变换，可以得到一个新的 BBox b' = [x' y' h' w']：

然后，状态转移过程 $s' = f(s, a)$ 可以隐式的通过预处理函数来实现。

Reward：

奖励函数 r(s, a) 描述了定位的准确性，所以，其可以按照重合度的方法进行度量：

每次执行一个 action，都会产生一个奖励，然后被用于离线训练的深度网络更新 (to update the deep networks in offline learning)。

2.2 Offline Training：

Network Architecture：

本文的网络结构如上图所示。可以看到 Actor network 是将上一帧的跟踪结果的 image patch 作为输入，输出是三维的数字，即对应了 水平，竖直 和 尺寸上的变换。在 offline training中，还有一个是 Critic network，该网络的结构跟 Actor 类似，但是用途是不同的。该网络要求的输入是：根据当前的状态，将三维 action vector 组合后的结果，以得到 Q-value，并用于动作的评价。

Training via DDPG：

本文采用 DDPG 方法来训练该 “Actor-Critic Network”，核心的思想是：迭代的训练 “Critic” 和 “Actor” 模型。给定 N 个经验 (si, ai, ri, si')，Critic model 可以利用贝尔曼方程来进行学习。通过目标网络，学习可以通过最小化下面的损失来实现：

然后，Actor 模型可以通过链式法则进行更新：

在训练迭代中，作者随机的选择一个训练序列及其 GT。在此之后，作者将跟踪器在选择的序列上得到了训练 pair (st, at, rt, st') 。

Experimental Results:

==