文章目录
- 简介
- 关于具体的思路
- 问题描述
- 算法细节
- 实验结果
- 模型的潜力
- 模型结果
论文链接：Visual Prompt Multi-Modal Tracking
开源代码：Official implementation of ViPT
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
