FCNT

FCNT

---

• -Model(pytorch版本

---

• 1.一 论文导读
• 2.二 论文精读
• 3.三 代码实现
• 4.四 问题思索

《Visual Tracking with Fully Convolutional Networks》
—基于FCNT的目标跟踪
作者：大连理工大学，香港中文大学
发表会议及时间：ICCV 2015

补充：本文提出了很多新的发现，是考虑其发表的时间，现在都基本都，嘿嘿

一 论文导读

一 研究背景

• 跟踪算法背景：
  1.静态场：背景是静态的
  2.动态场：背景是动态的

传统跟踪算法：TLD，MOSSE(发表于2017，帧率很高，达到600多fps)
优点：速度快，容易做到实时
缺点：鲁棒性差

深度学习算法：DLT，So-DLT ，FCNT（都已经比较老了）
优点：鲁棒性好
缺点：运算量大

混合式算法：HCF

二 技术要点
本文使用CNN作为特征提取器，分析了CNN不同层的作用（现在已经烂大街了，但是这篇文章是最早一批提出这种发现的文章）

• 顶层CNN layer:
  编码了更多的关于语音特征的信息并且可以作为种类检测器，易于语义分割
• 底层CNN layer:
  底层的特征更多是局部特征，可以帮助将目标从背景中分离出来，易于分割

作者这篇文章的第一个贡献就是根据两个特征干扰情况，实时切换两种特征（顶（低）层layer）
分析了从大规模图像分类中学到的CNN特征，找出适合visual tracking的一些属性。也就是不同的computer vision tasks需要不同的特征。

第二个贡献是基于第一个贡献之上的，作者提出了一个新的tracking的方法，同时考虑两个不同卷积层的特征输出，使他们相互补充来处理剧烈的外观变换和区分目标本身

第三贡献，设计了一种方法来自动选择区分两种维度CNN上不同的feature maps，同时忽略另一个feature map以及噪声

二 论文精读

简介：

视觉跟踪领域目前有很多未能解决好的问题：
外观的明显改变、姿态的改变、遮挡等
传统的跟踪算法:仅利用手工设计的方式

深度学习的跟踪算法：
利用CNN可以得到更好的feature表征能力超越以往，但是对数据的要求比较高
1.需基于海量的数据做预训练
2.对数据集的要求过高，很多数据集仅提供第一帧的ground truth
3.只利用了CNN的表征能力，但对其性能了解不多（老黄历了）

三 代码实现

四 问题思索