這是一篇ICCV2017的文章，文章條理清晰，通俗易懂，做以總結如下~ 本人小菜鳥一個，水準有限，如有錯誤懇請指正。
第一次寫部落格，格式可能不夠完美，望海涵~
【亮點】
加了LSTM，既保留了目标空間位置資訊，也保留了時序資訊。offline訓練結束後，線上過程不再需要微調，降低了時間複雜度，速度快。
Exemplar image是一直在變化的，LSTM的狀态也是實時更新的，相對于SiamFC（Fully-Convolutional Siamese Networks for Object Tracking，全程都是以第一幀作為模闆）來講有更好的适應性。
【用到的一些小Tricks】
（1）conv LSTM的初始狀态是使用第一幀圖像來進行的，而不是直接置零（實驗證明了該tips将成功率提高了8-10%）
（2）SCNN和ECNN的參數不共享（實驗證明了共享參數後效果很差）
（3）normal LSTM中filter的尺寸是1*1，本文将其改成了3*3*1024（除了output layer仍是1*1*256），Figure 5證明了效果确實提升了。
目标尺度的确定：采用縮放搜尋圖像金字塔，SCNN劃過它産生三個不同尺度的response map，取效果最好的那個尺度作為最終尺度，而且response map還加了餘弦窗處理。
（4）目标位置的确定：取了前k個高分的response map做平均，作為最終的目标位置。
【Mark】分類和跟蹤任務的差別：
分類任務具有類内不變性（隻需要區分狗這個類别即可，不需要區分白狗還是黑狗）而跟蹤任務的目标是識别出每個特定的目标，是針對個體而言的，是以需要區分白狗和黑狗。
網絡結構
RFL的結構
流程：
（1）第t步時，E-CNN從exemplar圖像中捕獲目标，生成exemplar feature map e_t，和上一步的狀态C_t-1和h_t-1共同輸入conv LSTM，更新目前狀态C_t和h_t，
（2）目标濾波器f_t是由h_t經過一個output layer産生的，
（3）S- CNN從搜尋圖像（下一幀的圖像）中提取特征S-t+1，它與f_t卷積産生響應圖，用來定位目标。
【注意】
（1）SCNN的網絡結構相同，但是參數不同，而且輸入圖像尺寸不同（ECNN的輸入尺寸是127*127，為了擷取更加精确的定位）
（2）每一個linear convolution後面都有一個Batch normalization為了加速收斂。
（3）每一個卷積層（除了conv5）後面都有RELU。
Convolutional LSTM的結構
狀态的初始化
原理圖見Figure 3，應用首幀圖像進行。
Loss Function
在Figure1上的response map（17*17）上訓練損失函數，損失函數是element-wise sigmoid cross-entropies
離線訓練
從訓練序列中采樣N+1幀，其中1~N幀作為object exemplars，2~N+1幀作為搜尋圖像，樣例圖像和搜尋圖像都是以目标為中心進行中心裁剪後的圖像，但是裁剪比例不一樣（樣例圖像是目标大小的2倍，搜尋圖像是目标大小的4倍）。
由于使用的全卷積網絡，具有平移不變性，是以以中心目标圖像進行訓練就已經足夠了（不需要再對圖像進行平移等操作擴充資料量了）
Online Tracking
不需要微調，直接使用雙三次插值對response map進行上采樣，選擇value最大的地方作為目标中心位置。
為了考慮到不同尺度變化，使用圖像金字塔生成三個尺度的response map，再把他們resize到相同的尺寸（和輸入圖像一樣大的尺寸），計算每個response map的值（R^m），選擇值最大的那個響應圖作為最終預測的目标尺度。
最終預測目标的位置：對值最大的前k個response map的位置做平均
更新：
對預測的目标進行裁剪，然後輸入Figure 3更新LSTM的狀态，産生新的object filter，用來和下一幀的特征圖做卷積，以産生新的響應圖
完整的算法流程（很清晰很完整）