本文介绍了一种基于改进卷积神经网络的在线视觉目标跟踪方法，旨在解决传统神经网络跟踪方法中易丢失历史信息的问题。该方法利用卷积神经网络(CNN)来表示目标物体的外观，并通过树结构组织多个CNN协作来估计目标物体的状态。这种方法的关键在于，它能够有效地处理物体外观的多模态变化，同时保持模型的可靠性和适应性。
算法采用了一个由三个卷积层和三个全连接层组成的CNN架构，类似于VGG-M网络，但规模较小，以适应在线跟踪的效率需求。卷积滤波器的设计参考了ImageNet中的VGG-Net模型，以增强特征提取能力。输入图像被调整为75x75像素的RGB格式，与最后一层卷积层的接收域大小匹配。
在跟踪过程中，算法利用树结构维护不同分支的多个CNN，以应对目标物体外观的多种变化情况，如遮挡、光照变化等。通过树路径的平滑更新，算法能够在不影响模型可靠性的同时，适应这些变化。此外，卷积层参数的共享减少了额外的计算成本，使得多模型的优势得以充分利用。
为了进一步提高跟踪性能，算法在多模型状态附近进行采样，然后依据加权平均确定最佳样本估计值。这种方法有助于在目标物体外观快速变化时，保持跟踪的稳定性。相比于传统的跟踪算法，该方法在处理遮挡、光照变化、突然运动和变形等挑战性场景时，表现出更好的在线跟踪性能。
实验结果证明，提出的跟踪算法在与现有算法的比较中，显示出优越的跟踪效果。通过利用改进的CNN模型和树结构的更新策略，该方法不仅能够捕捉目标物体的动态外观变化，还能有效地避免模型过时或丢失历史信息，从而提高了在线视觉目标跟踪的准确性和鲁棒性。
这项工作结合了深度学习和树结构，为视觉目标跟踪提供了新的解决方案。通过对CNN模型的改进和优化，算法能够更好地适应复杂环境下的目标跟踪任务，为未来相关领域的研究提供了有价值的参考。
