matlab精度检验代码碳纤维
具有相关性过滤器和度量学习的强大视觉跟踪
摘要：判别相关过滤器（DCF）近年来已在视觉跟踪社区中广泛使用。
基于DCF的跟踪器通过相关滤波器生成的响应图确定目标位置，并通过固定比例因子确定目标比例。
然而，响应图容易受到噪声干扰，并且固定比例因子也不能反映目标的真实比例变化，从而明显降低跟踪性能。
在本文中，为了解决上述缺点，我们建议在相关过滤器框架中用于视觉跟踪的度量学习模型（称为CFML）。
该模型可以使用度量学习功能来解决目标规模问题。
特别是，我们采用硬性否定挖掘策略来减轻噪声对响应图的影响，从而可以有效地提高跟踪精度。
大量的实验结果表明，与最新的跟踪器相比，所提出的CFML跟踪器具有竞争优势。
可以下载或下载CFML跟踪器的matlab代码。
用法
追踪
如果您想在实验中比较我们的结果，只需下载原始实验结果（即将推出...）。
如果您想测试我们的实验，请执行以下操作：
2.1下载代码并将其解压缩到您的计算机中。
2.2运行demo.m以使用默认模型测试跟踪序列。
结果
Dataste
OTB2013
OTB2015
TC128
精确
0.88
