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