记性不好，需要看的论文很多，把每次看完论文后的第一想法写下来以便后期回忆，兴许是个有效的方式。内容仅供自己以后回忆用，也会根据不同阶段的理解增删，也欢迎一起交流。
论文：Learning Background-Aware Correlation Filters for Visual Tracking.(ICCV2017,BACF)
核心点
传统CF方法的负样本是通过目标图像块本身的偏移得到的，负样本的构成中缺少目标框以外的背景信息，可能最后只得到次优解。BACF旨在将这些目标框以外的背景信息考虑进去，通过将包含目标的整个大的图像循环偏移，然后Crop出循环偏移后目标位置的图像块作为负样本，这样便可以得到一个更强的filter。
其他点
1：CF算法的速度性能很好，KCF=173FPS,CFLB=87FPS,BACF=35FPS等。
2：提取更好的特征（eg. Deep Features）的方法往往计算开销很大（需要从大量数据中学习，提取特征和训练/更新都非常耗时），很多DL的方法不能实时（当然也有像SiamFC,SiamFC-Net等这样的实时的DL方法）。BACF采用HOG特征可以取得很高的精度，且实时。Tracking问题中速度是一个及其重要的指标。
3：边界效应问题可以参考文中提到的CFLB算法（待看）。
4：BACF实验中和基于HOG特征的Trackers、基于深度特征的Trackers以及基于深度学习的Tracker做了对比，下面贴结果图（这里的OTB50应该是OTB2013），其他细节看再看论文。
5：Turbo BACF速度可以达到300+FPS,可惜暂时没有公开提速之后的BACF。
