Attribute-Based Progressive Fusion Network for RGBT Tracking训练的复现

1.要复现prepro_data.py首先阅读文中的README.MD

2.因为文章中的数据集都是要带有challenge tags的，所以你可以下载他已经标注好challenge tags的数据集，不然你一张图片一张图片的标challenge tags是非常麻烦的，尤其一个文件夹里面有几千张图片，下载好数据集后，运行prepro_data.py文件。
3.于是对prepro_data.py文件中的一系列路径进行修改：
①首先看自己是要训练什么数据集：如果是RGBT234数据集的话，set_type就改为’RGBT234’，如果是GTOT就改为GTOT

②seq_home就改为你存储数据集的前一个目录

③challenge_type就改为你想训练的特殊属性：
比如‘ALL’，‘FM’,'OCC’等，注意：他这些标签只有下载了他REDEME里面说的数据集才有，不然是需要自己标注的，原始数据集是没有这些标签的！！！且这个要执行五次，因为他有五种属性！！！
④修改seqlist_path和output_path的路径：
seqlist_path是数据集中自带的txt文件,他是数据集中文件夹的名字列表
output_path是该文件执行完之后保存的位置


4.至此prepro_data.py复现完毕，但注意训练的每一阶段都必须重新运行一次这个文件，并生成.pkl文件。

5.接下来开始复现训练阶段：

他训练一共分为了三轮，如他所说每一轮都需要改Pretrain_option.py里的训练参数，第一阶段使用第一个参数，第二个阶段使用第二个参数，第三阶段使用最后一个参数，这样才能每一阶段都生成不同的.pkl文件。

接着第一阶段只需要把五个不同的挑战属性进行五次训练，即FM、OCC、ILL、SV、TC，而不需要把ALL也进行训练了，他只保存五种挑战属性的模型参数；第二阶段它将主干网络和所有的挑战属性分支参数一起进行训练，进行融合，这个过程中你需要改module_stage2.py文件里的一些路径，这个路径是你第一阶段生成的五个.pth文件，这个需要根据你自己生成文件的路径来改，如下：（注意这个过程只需要运行一遍ALL就行了，我之前不知道，貌似也是把他当成第一阶段，分别训练了六遍，因为他有六个属性，一遍500轮，时间浪费的太多啦，当时还在想这训练一整遍不得一周啊？）
最后训练第三阶段，第三阶段也只用训练一遍，即第二阶段得到的结果，第三阶段训练一次就可以了，但.pkl文件还是要有所修改的！

写在最后，因为RGB-T是非常小的方向，如果有人需要的话，我在更新他的Train和Test的复现，没人需要，就当是自己复现文章做的一次简单的记录了，也希望研究这个方向的朋友可以留下自己的联系方式，我们一起交流交流！而且这是我的理解，如果有不对的地方，请帮我指出来，大家一起学习！
以下是复现Test的效果展示：

Attribute-Based