ICCV-2015——Hierarchical convolutional features for visual tracking

Hierarchical convolutional features for visual tracking

论文下载 代码下载

方法简介

本文利用深度学习各个 layer 之间提取出来的不同特征进行跟踪。因为各个层次提出来的 feature 具有不同的特征。使用预训练好的VGG-19，当中的conv3-4、conv4-4、conv5-4的输出，而不是使用最后全卷积层的输出作为特征提取层，从三个层当中提取的特征分别经过相关滤波器学习得到不同的模板，然后对所得到的三个置信图进行加权融合得到最终的目标位置。（低层特征有较高的分辨率能够对目标进行精准的定位，高层特征包含更多的语义信息，能够处理较大的目标变化和防止跟踪器漂移，能够对目标进行范围定位。因此选择不同的特征提取层）

算法流程

算法流程如图所示：
1.输入：初始化目标位置$P_0$
2.输出：估计的目标位置$p_t=(x_t,y_t)$
3.在跟踪序列未结束之前，执行以下：

• 以$(x_{t-1},y_{t-1})$为中心的第$t$帧中裁剪出搜索窗口，并使用公式（1）通过空间插值提取卷积特征
• 在每层$l$上使用学习滤波器和公式（4）计算置信度得分$f_l$
• 使用公式（5）在响应图集上由粗到细估计新的位置$(x_t,y_t)$
• 裁剪出以$p_t=(x_t,y_t)$为中心的新patch，通过插值提取卷积特征
• 对每层$l$进行更新相关滤波器$w_t^l$
  

代码运行

实验结果

定性结果评价表示，HCF跟踪算法对大多数目标序列集都能够进行很好的跟踪。

参考文献

https://blog.csdn.net/crazyice521/article/details/65935753