MDnet 源码阅读

由于开始tracking的涉入，读了MDnet的文章，在网上找到了下面较好的源码总结，故不造轮子了，见下

 

demo_pretraining (offline training)
    mdnet_prepare_model(准备cnn网络模型)
        1、conv1-3直接采用VGG-M的结构和初始化权重
        2、添加fc4层和相应的relu和dropout层，fc5层和相应的relu和dropout层，fc6层和softmax层,fc4-6随机初始化，fc6构造为K个分支
    mdnet_pretrain,完成网络的训练和保存
        输入3个参数，seqslist,outFile,roiDir
        首先设置各种参数opts，然后通过调用mdnet_setup_data获得所有图像序列的图像列表以及正负样本bb，保存为roidb，
            getBatch(输入为：1、roidb某个子序列所有的图像路径，正样本和负样本bb;

2、img_idx为了组成一个minibatch抽到的8帧图像标号;

3、batch_pos-已设置为32;batch_neg已设置为96
            -opts代表各个参数结构体中间变量含义：pos_boxes表示正样本的组合：8帧图像，每帧50个正样本，一共400个正样本然后从0-400随机抽取32个序号idx，得到长度为32的pos_boxes,再用pos_idx来标记其所在帧处于8帧里的第几个。
同样的方法得到一个minibatch里的96个负样本，然后正负样本拼接起来;调用get_batch函数生成minibatch输出为：128个im和对应的labels，数字2代表正，1为负)

        初始化mdnet，设置fc6的1×1×K×2结构，设置最后一层为softmax_k
        训练mdnet，调用的函数为mdnet_train,过程中嵌套调用了生成minibatch的函数getBatch;
            
            -mdnet_train(输入：net,roidb,getBatch函数
首先，网络参数初始化设定然后，按照每个序列8帧一个batch,一个序列迭代100次来计算，打乱序列的图像次序后组一个800帧的序列，保存在frame_list里接着，是训练过程：
外循环是cycle100，内循环是子序列总数K在内循环里，首先得到每一个batch里乱序8帧的编号，调用getBatch生成图像和label;然后是backprop，将label送入loss层，调用mdnet_simplenn，实现网络的前向反向计算
注意：mdnet_simplenn中softmax_k是作者自己定义的层，是为fc6的多域设计的
接着是梯度更新最后是打印训练中的信息
get_batch(输入：8张图像的列表images，正负样本bb和对应帧1-8编号组成的数组boxes,varargin
输出：128张107×107×3的图像组)
        最后，调用mdnet_finish_train，将fc6还原为1×1×1×2结构，保存网络到layers
    Tracking(mdnet_run) online update
        1、调用mdnet_init执行初始化
            mdnet_init(初始化tracker：输入：图像序列image、已训练好的网络net几乎所有参数的设置都在这里，返回卷积层net_conv,全连接层net_fc,学习和跟踪过程中各参数的结构体opts)
        2、bbox回归训练
            1.调用gen_samples，生成10000个回归样本
2.调用overlap_ratio计算样本与gt的重叠率
3.选出重叠率大于0.6的样本，随机从中选择1000个作为正样本
4.调用mdnet_features_convX得到正样本经过卷积层处理后的特征图表示
5.将第4步的结果进行维度变换并拉伸为一行，输入到tran_bbox_regressor训练回归模型
                -mdnet_features_convX(提取输入图像样本bbox的卷积特征：
输入：卷积层、图像、该图像样本box、参数opts调用mdnet_extract_regions得到样本图像，然后将这些样本图像送入网vl_simplenn输出：计算得到其经过卷积层处理后的特征图)
        3、提取第一帧图像的正负样本经过三层卷积后的特征
        4、调用mdnet_finetune_hnm选出hard负样本，并和正样本一起微调net的fc层
            -mdnet_finetune_hnm(用hard minibatch来训练CNN：
输入：要微调的net部分（fc层），正样本特征，负样本特征，其他参数
注意hard体现在负样本的选择上，从1024个负样本选出得分最高的96个
输出：微调后的net，以及所有选中的正负样本序号
        5、为在线更新做好数据样本准备
        6、从第二帧开始进入主循环
            1.在当前帧调用gen-sample选出256个candidate样本，得到卷积后特征;
2.送入fc层，得到fc6二进制输出，正得分最高的五个取平均如果大于0，则为最佳结果，否则，扩大搜索范围
3.bounding box回归调整最后结果
4.做下一帧的数据样本准备，保存正负样本的特征）
    自由主题
    自由主题
    自由主题