丝萝愿为乔木的博客

理解：（1）概述：多目标跟踪，单纯跟踪能力不足以完成任务，所以，不同于单目标跟踪，这里加入了检测任务，可以将多目标跟踪任务看成为目标检测+重识别任务。（2）论文网络结构：文中网络结构分3大部分：网络结构在：.\src\lib\models\networks\pose_dla_dcn.py中。①：Encoder-decoder 部分网络中，这是backbone network部分，主干网络为DLA-34(34层的DLA),最终input(HxW)->output(H/4xW/4)Enco

一：深度特征+相关滤波代表：SRDCF, C-COT, ECO , DeepSRDCF, STRCF, UPDATUPDATUPDAT在ECO基础上改进。论文贡献：①以经典深度学习网络作为backbone，深浅特征区别对待。（浅层特征使用HOG+CN，深层网络使用ResNet 50中的第四个Conv_block输出的feature）论文列出两种trick分别对深层和浅层的影响。（一）Data Augmentation。浅层特征主要提取文理颜色等特征，对外观形变等影响很大，深层特征主要提取语义

**论文地址：http://openaccess.thecvf.com/content_cvpr_2018/papers/Li_High_Performance_Visual_CVPR_2018_paper.pdf论文讲解：siamRPN的网络结构由两部分组成，siam+RPNSiam部分：主要功能是提取特征RPN部分：功能为产生候选框以及二分类vectorRPN流程：①从主干网络得到template Frame 特征向量和detection Frame特征向量之后，对这两组特征向量分别使

以代码的脉络理解KCF论文思想1：void init(const cv::Rect &roi, cv::Mat image);第一帧图像用来初始化。里面有两个重要步骤， cv::Mat getFeatures(const cv::Mat & image, bool inithann, float scale_adjust = 1.0f);和void train(cv::Mat ...