友情提示：如果只希望了解如何利用作者发布的预训练网络直接进行tracking（免训练模式），可以阅读本人另一篇博客：CFNet视频目标跟踪源码运行笔记（1）——only tracking
论文信息
论文题目：End-to-end representation learning for Correlation Filter based tracking
论文出处：CVPR 2017
论文作者：Jack Valmadre，Luca Bertinetto等人
论文主页：http://www.robots.ox.ac.uk/~luca/cfnet.html
源码链接：https://github.com/bertinetto/cfnet
运行环境介绍
- Windows 10 x64
- MATLAB 2017b
- Visual Studio 2015
- CUDA 8.0.61 for win10
- cuDNN v5.1 (Jan 20, 2017), for CUDA 8.0
- MatConvNet（来源于官方网站，以前下载使用时似乎没有版本说明。2018年2月份以前发布的版本应该都可以用，可以自己尝试一下）
准备
安装CUDA，具体步骤可以参考本人另一篇博客：
https://blog.csdn.net/discoverer100/article/details/79758499安装cuDNN，具体步骤可以参考本人另一篇博客：
https://blog.csdn.net/discoverer100/article/details/79759282检查MatConvNet是否可用，具体步骤可以参考本人另一篇博客：
https://blog.csdn.net/discoverer100/article/details/78963233下载CFNet的MATLAB源码：https://github.com/bertinetto/cfnet
下载SiamFC目标跟踪的MATLAB源码：https://github.com/bertinetto/siamese-fc，后续进行crop图像生成时需要借用里面的部分代码。
下载
cfnet_ILSVRC2015.stats.mat文件，链接：
https://drive.google.com/file/d/0B7Awq_aAemXQcndzY3M5dkprVTA/view?usp=sharing下载ILSVRC2015视频图像集，地址：http://bvisionweb1.cs.unc.edu/ilsvrc2015/ILSVRC2015_VID.tar.gz，如果不能直接下载，则需要到网页上进行注册（http://bvisionweb1.cs.unc.edu/ilsvrc2015/download-videos-3j16.php#vid），在这个页面中能够看到一个VID文件下载链接（如下图所示）。该文件的文件名为
ILSVRC2015_VID.tar.gz，大约占用86GB磁盘空间，强烈建议用迅雷下载该文件，有条件的也可以用淘宝的代下载服务。
下载CFNet的官方Metadata，地址：http://bit.ly/cfnet_imdb_video，其文件名为
cfnet_imdb_video_2016-10.mat，占用空间大约为6GB，同样建议用迅雷或者淘宝上的代下载服务。
Crop图像生成
在CFNet源码文件夹中的
data目录中创建VID文件夹（此时，创建后的VID文件夹为空）将准备工作中下载的
ILSVRC2015_VID.tar.gz文件（大小约86GB）解压，可以解压到任何地方（友情提示：1.最好不要放太深或者有空格的路径；2.一定不要放到CFNet源码文件夹data里面，否则上述空VID文件夹会受到影响），解压后会得到一个ILSVRC2015文件夹，其中我们关注的目录有两个：Data\VID\train和Data\VID\val，如下面两张图所示（注意：对于train目录我们还关心它里面的四个子文件夹）：
将上述
val目录移动到上述train目录中（注意：是移动整个val文件夹），移动后，Data\VID\train目录就包含了五个文件夹：四个自带的文件夹，加上新进来的val文件夹，按照Windows资源管理器默认的名称增序排序如下：ILSVRC2015_VID_train_0000
ILSVRC2015_VID_train_0001
ILSVRC2015_VID_train_0002
ILSVRC2015_VID_train_0003
val对上述五个文件夹进行重命名，分别命名为
a、b、c、d、e，如下：ILSVRC2015_VID_train_0000 -> a
ILSVRC2015_VID_train_0001 -> b
ILSVRC2015_VID_train_0002 -> c
ILSVRC2015_VID_train_0003 -> d
val -> e在CMD窗口中，利用
xcopy命令（参考：https://superuser.com/questions/530128/how-to-copy-a-directory-structure-without-copying-files），将刚刚移动了文件夹、并修改了文件夹名字的ILSVRC15图像数据集中的文件夹结构复制到步骤1中创建的空VID文件夹中（注意：只是复制文件目录结构，不要复制里面的文件），具体命令形如：xcopy D:\ILSVRC15\data\VID D:\Dev\MATLAB_2017\cfnet-master\data\VID /t /e
如果采用Linux系统，则需要用形如下面的命令来进行目录结构复制（感谢yangkang779760348同学进行补充~）
find ./VID/ -type d -exec mkdir -p VI/{} \; linux下的xcopy
执行该命令可能需要花费几分钟至十几分钟的时间，执行完毕后到
cfnet-master\data\VID目录下检查一下是否有一堆空的文件夹（文件夹里面可能还会有文件夹，但一定没有任何文件）。将准备工作中下载的
cfnet_ILSVRC2015.stats.mat文件（大小约728KB）复制到cfnet-master\data目录中，并修改文件名为ILSVRC2015.stats.mat；将下载的cfnet_imdb_video_2016-10.mat文件（大小约6GB）复制到cfnet-master\data目录中，并修改文件名为imdb_video.mat，复制后的data文件夹如下所示：
将准备工作中下载的SiamFC源码包进行解压，将里面的
ILSVRC15-curation文件夹拷贝到cfnet-master\src目录中，这样，src目录中一共有四个文件夹：ILSVRC15-curation
tracking
training
util在MATLAB中打开
cfnet-master\src\ILSVRC15-curation\save_crops.m文件，并在其命令窗口中一行一行地运行：imdb_video = load(‘D:/Dev/MATLAB_2017/cfnet-master/data/imdb_video.mat’);
imdb_video = imdb_video.imdb_video;
save_crops(imdb_video, 1, 4417, ‘D:\ILSVRC15’, ‘D:/Dev/MATLAB_2017/cfnet-master’);上述三条命令，其具体路径与自己实际情况保持一致。关于参数4417的来历，可以在MATLAB中打开load后的
imdb_video.mat变量，发现其id属性有4417个元素。注意：该crop工作持续的时间可能非常长（配置Intel Core i5标压CPU的机器可能需要40-50个小时），源码也没有断点恢复机制，为防止机器断电造成损失，可以通过修改参数1和4417来分段进行crop。
Crop的图像和标注数据会写入到步骤1创建的
VID空文件夹中，该过程执行完毕后，其内部应该包含个8,021,672个文件，占用37.4GB的磁盘空间，如下图所示：
Crop操作相当于对视频原始图像进行了裁剪、缩小和补全等处理，以下是一个crop前（上图）和crop后（下图）比较的例子：
训练
进入目录
cfnet-master\src\training，复制env_paths_training.m.example和startup.m.example文件并去掉其.example后缀，如下图所示：
打开上述两个文件并修改里面的配置信息（注意有些地方需要在末尾带上正斜杠，文件名一定要与之前的对应起来），如下图所示：
以训练conv2为例，运行
run_experiment_cfnet_conv2.m文件，代码中默认迭代100次，完整的训练过程可能会花费很长的时间，如果只是希望简单体验一下可以调低该源码文件中参数opts.train.numEpochs的值进行训练，训练时会产生类似下图的输出：
训练网络时，代码会在
cfnet-master\src\training中创建一个文件夹，每进行一次迭代，都会在该文件夹中保存一个网络文件。这样，CFNet的网络训练是允许中途关机的。
跟踪
选择上述某一轮迭代保存的网络文件，拷贝到cfnet-master\pretrained\networks目录中，运行对应的源码即可。以conv2层为例，打开文件run_cfnet2_evaluation.m，修改参数tracker_par.net的值为刚刚拷贝的网络文件名，再运行即可。
关于跟踪过程的详细操作，可以阅读本人另一篇博客：
https://blog.csdn.net/discoverer100/article/details/79758131
这里需要注意的是：代码默认仅仅计算物体坐标，并不会在屏幕上显示视频画面内容和标定。如果需要显示画面，可以进入tracker.m文件，将第16行的p.visualization赋值为true，这样的效果如下图所示：
