跟踪“Visual Tracking with Fully Convolutional Networks”

源代码：http://scott89.github.io/FCNT/

ICCV15的跟踪文章，matlab版本，在TIAN GPU上3fps。

方法：不同卷积层的特征描述物体的角度不同，高层的特征捕获的是语义信息，更像是一个类别检测器，低层的特征能把目标与相似的物体分开。另外，作者进行了特征图选择，将噪声及不相干的特组图去除。

VGG16特征分析：
作者选取的是conv4-3和conv5-3，每层的特征图数均为512。
观察1：特征图是稀疏的且是局部的，可以用来做目标跟踪。
观察2：许多特征图与目标不相干，或者说是噪声。
观察3：不同层的特征图描述不同的信息，高层特征描述类别信息，低层特征捕获类内差异。

由于特征图冗余，使用稀疏表示获得更好的特征表示。作者使用特征图子集重建前景掩码，目标函数是：

conv5-3重建的前景图为,这些特征尚不能分辨类内差异：

conv4-3对类内差异敏感，如下图所示：

跟踪算法
论文提出算法流程如下所示：

1.对conv5-3和conv4-3进行特组图筛选；
2.广义网络GNet根据conv5-3筛选建立；
3.针对性网络SNet根据conv4-3筛选建立；
4.SNet,GNet使用第一帧初始化并进行目标热度图回归。
5.对于新的一帧，上次位置的ROI抠取并送到全卷积网。
6.SNet,GNet 生成两个热度图，distractor选择策略决定哪个图使用。

特征图筛选
sel-CNN筛选conv4-3,conv5-3。最小化目标热度图与预测热度图的损失，使用BP学习模型参数，根据特征图对损失函数的影响选择特征图：
$L_{sel}=||\hat M-M||^2$

特征图变化带来的损失变化为：

特征图中某个特征的显著性为：

特征图的显著性为所有元素显著性的和：
$S_k=\sum_{x,y}s(x,y,k)$

位置预测
目标定位首先在GNet上进行，当前帧的位置由上一帧位置，使用高斯模型预测：

为了避免相似物体干扰，当目标外与目标内置信度比值超过一定阈值时，选择SNet预测最终位置：

实验结果对比：