代码来源：https://github.com/laisimiao/siamrpn.pytorch
结合博客关于SiamRPN代码的一些要点
下面是阅读上述SiamRPN代码时的笔记

1、template frame和detection frame经过相同的Siamese Network得到一个feature,然后经过RPN的classification branch和regression branch，其中template作为kernel在detection上做correlation操作。

2、分类分支的作用就是预测原图上的哪些anchor会与目标的IoU大于一定的阈值，他们对应最后的feature map上的点就是1；回归分支就是预测每个anchor与target box的xywh的偏移

preprocess data(数据预处理)

augmentation.py

gray augmentation(可选): BGR->GRAY->BGR
shift scale augmentation:
1. if self.scale: (cx, cy, w, h)形式，中心点坐标不变，尺度缩放
2. if self.shift: (x1, y1, x2, y2)形式，上下左右移动
3. bbox 同样操作
color augmentation
blur augmentation
flip augmentation

datasets.py(VIDYTBBLMDB)

在整个视频中随机抽取一帧作为模板帧，在模板帧前后 frame_range 的范围(不超过视频的长度)内随机抽取另一帧作为搜索帧
对模板帧和搜索帧做处理–>template_image, template_box, search_image, search_box(图片、目标框标签)
数据增强–>模板图像、搜索图像、搜索图像的bbox
⭐️ 设置 anchor，输出包含两种格式((x1, y1, x2, y2)、(cx, cy, w, h))
⭐️ 根据设置的 anchor 和真实的 bbox 来生成 cls, delta, delta_weight，即分类标签、回归标签、回归权重
⭐️ 最终输出的形式为{
‘template’: template,
‘search’: search,
‘label_cls’: cls,
‘label_loc’: delta,
‘label_loc_weight’: delta_weight
}

⭐️ 表示不同于 SiamFC 的地方

SiamRPN(model.py)

    z       x
    |       |
backbone backbone
    \       /
     RpnHead
    /       \
  cls       reg

AlexNet

backbone

RpnHead

cls:
       z_ft        x_ft
        |           |
      Conv2d      Conv2d
 [N,2K*256,4,4][N, 256, 20, 20]
        \           /
            Conv2d
              |
           pred_cls(cross_entropy)
reg:
       z_ft        x_ft
        |           |
      Conv2d      Conv2d
 [N,4K*256,4,4][N, 256, 20, 20]
        \           /
            Conv2d
              |
           pred_reg(smooth L1)

SiamRPNTracker(track.py，测试过程)

设置为 eval 模式

init(self, image, box)

这部分就是利用第一帧的先验信息，包括第一帧图片和ground truth bbox，相当于一个one-shot detection，这个template frame就固定了，相当于一个kernel

只对于 z: crop 一块以 box 中心为中心、以 box 大小为基准稍大(s_z)的 patch，然后 resize 成 127 的大小，如果需要的话用颜色的平均值进行 pad
只对于 z: 送入 backbone

update(self, image)

输入一张subsequent frame，然后根据预测值，加以scale和ratio的penalty，然后用cosine window来suppress large displacement,然后根据分类分数的最高值对应的anchor来回归预测目标位置

只对于 x: crop 一块以 box 中心为中心、以 s_x 为大小(s_x=s_z*255/127)的 patch，然后 resize 成 255 的大小，如果需要的话用颜色的平均值进行 pad
只对于 x: 送入 backbone
将 init 中得到的 z 的特征提取结果和上一步 x 的特征提取结果一起送入 rpnhead, 得到 outputs
⭐️ 将 outputs 的分类预测和回归预测转化为 score(通过softmax) 和 pred_bbox(修正后的anchor)
⭐️ scale penalty、aspect ratio penalty、window penalty
找到峰值点
⭐️ 调整 bbox 的大小(用学习率调整)和位置，输出 bbox
更新目标大小(size)和位置(center_pos)，为下一帧做准备

train.py(训练过程)

构建 SiamRPN 模型
构建数据集(VIDYTBBLMDB类)和dataloader
导入预训练模型(siamrpn.backbone)
固定预训练模型的参数
设置优化器和学习率调整策略
从第10个epoch开始将预训练模型的参数解除固定
将模板和搜索区域送入网络：siamrpn(data[‘template’], data[‘search’])，得到输出 pred_cls, pred_reg
将输出 pred_cls, pred_reg 与 data[‘label_cls’]、data[‘label_loc’]、data[‘label_loc_weight’] 计算损失
记录损失和时间等信息
梯度反传和优化器更新，一个epoch结束前学习率更新
保存模型