ECCV2016跟踪算法SiameseFC的配置（Fully-Convolutional Siamese Networks for Object Tracking）

最新推荐文章于 2024-06-14 14:00:30 发布

原创最新推荐文章于 2024-06-14 14:00:30 发布 · 2.9k 阅读

34 ·

CC 4.0 BY-SA版权

文章标签：

#目标跟踪 #深度学习 #SiameseFC #ECCV

目标跟踪专栏收录该内容

56 篇文章

订阅专栏

本文详细介绍SiameseFC网络的环境搭建、代码下载、预训练网络使用及目标跟踪实现流程，涵盖Ubuntu、GPU、MATLAB、CUDA配置，提供解决编译错误方案，并指导如何训练网络。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章和代码下载地址：

SiameseFC: Luca Bertinetto, Jack Valmadre, João F. Henriques, Andrea Vedaldi, Philip H.S. Torr. "Fully-Convolutional Siamese Networks for Object Tracking." ECCV workshop (2016). [paper] [project] [github]

预先环境设置：Ubuntu+GPU+MATLAB+CUDA

1、下载程序代码

GitHub - bertinetto/siamese-fc: Arbitrary object tracking at 50-100 FPS with Fully Convolutional Siamese networks.

2、下载MatConvNet: CNNs for MATLAB

Home - MatConvNet

推荐下载和作者一样的版本v1.0-beta20

3、下载预训练好的网络

SiameseFC tracker

4、在工程目录下新建external_libs把下载的MatConvNet和预训练好的网络都放进去。

5、解压matconvnet-1.0-beta20.tar.gz

# tar -zxvf matconvnet-1.0-beta20.tar.gz

6、打开matlab，进入/siamese-fc-master/external_libs/matconvnet-1.0-beta20/matlab路径

7、编译vl_compilenn

（1）编译CPU版本，直接运行vl_compilenn即可。

（2）编译GPU版本，运行vl_compilenn('enableGpu', true)。

本文需要使用GPU，所以用方法（2）

9、可能遇到错误解决

如果直接就编译成功了可以跳过这一步骤。

遇到错误：error: function “atomicAdd(double *, double)” has already been defined

原因：cuda 8.0 提供了对atomicAdd的定义，但atomicAdd在之前的cuda toolkit中并未出现，因此一些程序重复定义了atomicAdd函数。

解决：把重复定义的函数注释掉或者使用宏定义。

（1）打开/siamese-fc-master/external_libs/matconvnet-1.0-beta20/matlab/src/bits/impl/pooling_gpu.cu更改第163行函数

添加宏定义更改为：

#if !defined(__CUDA_ARCH__) || __CUDA_ARCH__ >= 600
#else
static __device__ double atomicAdd(double* address, double val)
{
  unsigned long long int* address_as_ull = (unsigned long long int*)address;
  unsigned long long int old = *address_as_ull, assumed;
  do {
    assumed = old;
    old = atomicCAS(address_as_ull, assumed,
                    __double_as_longlong(val +
                                         __longlong_as_double(assumed)));
  } while (assumed != old);
  return __longlong_as_double(old);
}
#endif

（2）同理，打开/siamese-fc-master/external_libs/matconvnet-1.0-beta20/matlab/src/bits/impl/bilinearsampler_gpu.cu更改第25行函数。

10、运行vl_compilenn('enableGpu', true)编译成功

11、matlab进入目标/data/users/huangbo/Codes/siamese-fc-master/tracking/，去掉三个.m文件的.example后缀。

12、更改startup.m文件为：

13、更改env_paths_tracking.m为：

14、运行run_tracker('vot15_bag',1);得到跟踪结果

训练 SiameseFC网络

1、先注册

注意必须使用学校邮箱，edu.cn结尾那种邮箱。

2、下载数据集（86GB，速度挺快的，5M每秒）

http://www.image-net.org/download-images

（1）选择2015数据集

（2）选择VID

（3）选择完整数据集

2、接下来要进行图像预处理

目的：将数据集变成如下的训练图像对，超出的部分进行RGB均值补充

（1）拷贝文件

1）将/home1/publicData/ImagenetVID/ILSVRC/Data/VID/路径下的val文件夹拷贝到/home1/publicData/ImagenetVID/ILSVRC/Data/VID/train/路径中。

2）将/home1/publicData/ImagenetVID/ILSVRC/Annotations/VID/路径下的val文件夹拷贝到/home1/publicData/ImagenetVID/ILSVRC/Annotations/VID/train/路径中。

（注：原文将train路径下的文件夹重命名为（a）（b）...来减少路径长度，因为此数据集在服务器上是公用的，所以我没有那样做）

（2）生成文件目录

终端运行./video_ids.sh /home1/publicData/ImagenetVID/，注意对照下图中的两个目录更改

（3）matlab运行

per_frame_annotation('/home1/publicData/ImagenetVID/ILSVRC/', 0)

per_frame_annotation('/home1/publicData/ImagenetVID/ILSVRC/', 1)

per_frame_annotation('/home1/publicData/ImagenetVID/ILSVRC/', 2)

per_frame_annotation('/home1/publicData/ImagenetVID/ILSVRC/', 3)

per_frame_annotation('/home1/publicData/ImagenetVID/ILSVRC/', 4)

一共运行5次，注意路径。

It's a long time to wait................

这一步骤的目的是生成一一对应的TXT，下图中的TXT文件都是这四行代码生成的

（4）运行

parse_objects('/home1/publicData/ImagenetVID/ILSVRC/', 0)

parse_objects('/home1/publicData/ImagenetVID/ILSVRC/', 1)

parse_objects('/home1/publicData/ImagenetVID/ILSVRC/', 2)

parse_objects('/home1/publicData/ImagenetVID/ILSVRC/', 3)

parse_objects('/home1/publicData/ImagenetVID/ILSVRC/', 4)

一共运行5次，注意路径。

（5）运行

vid_setup_data('/home1/publicData/ImagenetVID/ILSVRC/')保存imdb_video.mat数据。

（6）复制数据集的目录结构

cd /home1/publicData/ImagenetVID/ILSVRC/ && find . -type d -exec mkdir -p -- /home1/publicData/NewData/{} \;

注意/home1/publicData/ImagenetVID/ILSVRC/为数据集原所在目录，/home1/publicData/NewData/为你新建的目录，这个新建的目录就是存放裁切之后的图像位置。

（7）运行

imdb_video=load('imdb_video.mat')

save_crops(imdb_video, 1, 4404, '/home1/publicData/ImagenetVID/ILSVRC', '/home1/publicData/NewData')

注意/home1/publicData/ImagenetVID/ILSVRC为数据集原所在目录，/home1/publicData/NewData为上一步骤新建的目录

存放的结果如图：

（8）打开vid_image_stats.m

在函数首添加路径：

addpath('../external_libs/matconvnet-1.0-beta20/matlab/mex/');

在函数尾部添加：

save('vid_image_stats.mat', '-struct', 'stats', '-v7.3');

运行vid_image_stats(imdb_video, 0.1, '/home1/publicData/NewData/Data/VID/train/')得到vid_image_stats.mat文件。

3、训练

（1）进入路径/siamese-fc-master/training/，去掉那三个.example后缀。

（2）打开env_paths_training.m更改路径

（3）打开startup.m更改路径，然后运行startup.m

（4）运行run_experiment(imdb_video)开始训练

如果 imdb_video不在工作空间，则需要提前运行imdb_video=load('imdb_video.mat')将数据加载到工作空间。

至此，SiameseFC网络训练步骤结束，等待计算结果就好了。