传统的跟踪算法大多从物体的外观出发，只能在线学习，从当前的视频中在线抓取数据进行学习跟踪的算法，如：TLD、Struck、KCF，这类算法必须足够简单才行，否则耗时严重。当然现在也有人使用卷积网络进行离线训练，在线跟踪，但是当跟踪目标未知时，需要利用随机梯度下降法(SGD)在线微调网络权重，从而使得速度下降，做不到实时跟踪。

     综上，浅层学习方式，如相关滤波，利用网络内部参数作为特征，这样不能充分发挥“端对端”的优势。而利用SGD微调多层网络参数的方式无法实时跟踪。

近期的研究工作有：

     1.利用RNN网络进行训练，通过预测目标在各帧中的位置来跟踪，同时加入了可区分的“注意力机制”。虽然该方法目前无法在现有的标准测试集上取得显著的结果，但是有足够的潜力；

     2.利用粒子滤波的方式，通过训练好的距离矩阵比较当前帧与第一帧的区别，其中距离矩阵是利用了首先玻尔兹曼机（RBM）和随机点的方式训练所得。此方法与本文中的方法差异太大，因此没有使用该方法。

     3.离线预训练+在线微调方式，其中SO-DLT和MDNet均离线训练了一个相似性检测的卷积网络，并在线使用SGD算法进行微调。利用这种方法的Deep SRDCF和 FCNT均取得了很好的结果，但是在速度上依旧不行。

     4.GOTURN算法也采用了YCNN的结构，但是该算法无法控制下一帧的变换形式，不具有变换的内在不变性，除非样本集包含所有种类所有位置的变换。并且不能自适应调节搜索区域的大小。

     5.SINT（Siamese Instance search Tracker）算法从名字上看像是从Instance级别上去搜索，它采用非全卷积的结构，在图像中均匀分布着类似Struck算法中的圆形区域，然后利用光流和标记框的修正来提升效果，并通过ROI区域来提升速度，最终达到了2fps。

       这里介绍下， 如果搭建基于matlab的深度学习神经网络的GPU仿真搭建。

1.版本组合：Win7+Matlab R2015b+CUDA7.5+vs2013

CUDA7.5下载地址为：http://developer.download.nvidia.com/compute/cuda/7.5/Prod/local_installers/cuda_7.5.18_windows.exe

VS2013要专业版。

如下所示：

全部安装好之后，做如下操作：

2.CPU配置，运行CNN工具箱中的vl_setupnn.m，然后再运行vl_compilenn.m可以完成CPP文件的编译。

3.编译成功后，会产生

这些必须在电脑上编译，否则别人的复制给你，如果配置不一样，可能会报错。

4.GPU配置：

安装cudnn：https://developer.nvidia.com/rdp/cudnn-archive，放到CNN工具箱中的新建local文件夹中，

然后mex -setup下，操作和CPU一样。

然后执行matlab程序：

vl_setupnn;

vl_compilenn('enableGpu', true,'cudaRoot', 'C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5','cudaMethod', 'nvcc', 'enableCudnn', 'true','cudnnRoot', 'E:\A_2016_FPGA_Test\FC_tracking\A_FC\matconvnet-1.0-beta20\local\cudnn');