論文資訊

論文題目：End-to-end representation learning for Correlation Filter based tracking
論文出處：CVPR 2017
論文作者：Jack Valmadre，Luca Bertinetto等人
論文主頁：http://www.robots.ox.ac.uk/~luca/cfnet.html
原始碼連結：https://github.com/bertinetto/cfnet

執行環境介紹

注意： 如果在tracking過程中發現CFNet演算法跟蹤效果非常糟糕，請參照本文末尾的方法進行修正（此處感謝部落格園博主“博聞強記2010”的部落格文章

準備

操作

1. 對上述下載的CFNet原始碼包進行解壓，形成資料夾cfnet-master，如下圖所示：
   

2. 對上述下載的預訓練網路檔案壓縮包解壓，並拷貝到pretrained\networks目錄中，形成如下圖所示的目錄檔案層次結構：
   

3. 將準備工作中下載好的validation視訊集解壓，修改資料夾的名字cfnet-validation，改為validation，並複製到data資料夾中，以basketball視訊為例，最終的目錄檔案組織如下圖所示：
   

4. 將準備工作中下載cfnet_ILSVRC2015.stats.mat檔案，重新命名為ILSVRC2015.stats.mat

   ，並複製到data目錄中，最終的目錄檔案組織如下圖所示：
   

5. 進入src/tracking目錄，會發現裡面有兩個.example字尾名的檔案，將這個字尾名去掉，還原成.m的樣子（如果擔心檔案被自己弄壞了也可以原地複製再修改），如下圖所示：
   

6. 在剛剛恢復字尾名的startup.m檔案中，設定好MatConvNet的路徑，其形式如下圖所示（具體結合自身實際）：
   

7. 在剛剛恢復字尾名的env_paths_tracking.m檔案中，設定好networks、data和statsmat的資料夾的路徑（注意：如果是資料夾那麼最後要帶一個斜槓），如下圖所示：
   

執行

執行startup.m檔案，MATLAB可能會報一些函式名重名的警告，不必理會，如下圖所示：

執行run_cfnet2_evaluation.m檔案，成功，如下圖所示：

如果希望體驗其他層的網路效果，可以嘗試執行其他的evaluation檔案。

這裡需要注意的是：程式碼預設僅僅計算物體座標，並不會在螢幕上顯示視訊畫面內容和標定。如果需要顯示畫面，可以進入tracker.m檔案，將第16行的p.visualization賦值為true，這樣的效果如下圖所示：

修正（非必須）

若在執行過程中發現CFNet原始碼跟蹤非常不靠譜，有可能是因為MATLAB imresize函式的GPU實現方式在某些環境下有所不同，可以嘗試按照如下方式進行修正：

1. MATLAB版本可以維持當前的2017b不變
2. 開啟src\tracking目錄下的tracker_step.m檔案，將大約第14行的程式碼註釋掉，註釋後如下所示：

% responseMapsUP(:,:,s) = imresize(responseMaps(:,:,s), p.responseUp, 'bicubic');

4. 在上述被註釋的程式碼下方，貼上如下的三行程式碼，如下所示：

responseMaps_cpu=gather(responseMaps(:,:,s));
responseMapsUP_cpu=imresize(responseMaps_cpu, p.responseUp, 'bicubic');
responseMapsUP(:,:,s)=gpuArray(responseMapsUP_cpu);

最後，再一次感謝部落格園博主“博聞強記2010”的部落格文章《程式碼問題:【SiameseFC】》）

更多內容，歡迎掃碼關注“視覺邊疆”微信訂閱號