ICCV-2015——Hierarchical convolutional features for visual tracking

小咪咪 2023-01-05 05:27 127阅读 0赞

# Hierarchical convolutional features for visual tracking #

[论文下载][Link 1] [代码下载][Link 2]

## 方法简介 ##

本文利用深度学习各个 layer 之间提取出来的不同特征进行跟踪。因为各个层次提出来的 feature 具有不同的特征。使用预训练好的VGG-19，当中的conv3-4、conv4-4、conv5-4的输出，而不是使用最后全卷积层的输出作为特征提取层，从三个层当中提取的特征分别经过相关滤波器学习得到不同的模板，然后对所得到的三个置信图进行加权融合得到最终的目标位置。（低层特征有较高的分辨率能够对目标进行精准的定位，高层特征包含更多的语义信息，能够处理较大的目标变化和防止跟踪器漂移，能够对目标进行范围定位。因此选择不同的特征提取层）

## 算法流程 ##

算法流程如图所示：  
1.输入：初始化目标位置 P 0 P\_\{0\} P0  
2.输出：估计的目标位置 p t = ( x t , y t ) p\_\{t\}=(x\_\{t\},y\_\{t\}) pt=(xt,yt)  
3.在跟踪序列未结束之前，执行以下：

*  以 ( x t − 1 , y t − 1 ) (x\_\{t-1\},y\_\{t-1\}) (xt−1,yt−1)为中心的第 t t t帧中裁剪出搜索窗口，并使用公式（1）通过空间插值提取卷积特征
 *  在每层 l l l上使用学习滤波器和公式（4）计算置信度得分 f l f\_\{l\} fl
 *  使用公式（5）在响应图集上由粗到细估计新的位置 ( x t , y t ) (x\_\{t\},y\_\{t\}) (xt,yt)
 *  裁剪出以 p t = ( x t , y t ) p\_\{t\}=(x\_\{t\},y\_\{t\}) pt=(xt,yt)为中心的新patch，通过插值提取卷积特征
 *  对每层 l l l进行更新相关滤波器 w t l w\_\{t\}^l wtl  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jpbmd4aW55YW5nMTIz_size_16_color_FFFFFF_t_70]

## 代码运行 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jpbmd4aW55YW5nMTIz_size_16_color_FFFFFF_t_70 1]

## 实验结果 ##

定性结果评价表示，HCF跟踪算法对大多数目标序列集都能够进行很好的跟踪。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jpbmd4aW55YW5nMTIz_size_16_color_FFFFFF_t_70 2]

### 参考文献 ###

[https://blog.csdn.net/crazyice521/article/details/65935753][https_blog.csdn.net_crazyice521_article_details_65935753]

[Link 1]: https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Ma_Hierarchical_Convolutional_Features_ICCV_2015_paper.pdf
[Link 2]: https://github.com/jbhuang0604/CF2
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jpbmd4aW55YW5nMTIz_size_16_color_FFFFFF_t_70]: /images/20221119/0c73d234f41c449e897e7b2000626c75.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jpbmd4aW55YW5nMTIz_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20210111211602389.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jpbmd4aW55YW5nMTIz,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jpbmd4aW55YW5nMTIz_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20210111211633518.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jpbmd4aW55YW5nMTIz,size_16,color_FFFFFF,t_70
[https_blog.csdn.net_crazyice521_article_details_65935753]: https://blog.csdn.net/crazyice521/article/details/65935753