文件名称：数据融合matlab代码-ESiamFC:集成连体网络
文件大小：105KB
文件格式：ZIP
更新时间：2024-06-11 06:14:16
系统开源
数据融合matlab代码欧洲联盟 我们提出了一个整体的暹罗网络（ESiamFC）进行跟踪。 详细地说，首先，我们将训练数据集ILSVRC2015映射到嵌入式空间中。 其次，我们使用平衡k均值对视频特征进行聚类。 第三，在每个集群中，我们将迁移学习应用到SiamFC中，以获得具有自己偏好的k个基本跟踪器。 最后，我们提出了一个集群融合模块，该模块可以根据跟踪对象的语义信息自动为基础跟踪器分配融合权重。 运行ESiamFC 准备 下载型号 在关键akhk下载预训练的模型。 将预训练的模型放入“ ./models”文件夹中。 将OTB格式的视频序列放入“ ./video”文件夹。 创建环境 创建conda环境并安装环境列表“ env.txt”中列出的软件包 运行ESiamFC demo_ESiamFC.py 在“。\ bin”文件夹中运行“ demo_ESiamFC.py”。 后续部分将进行非常详细的说明和实验。 无常的细节 火车SiamFC 1，下载数据集 我们将ILSVRC2015用作训练数据集，您可以从下载。 如果您在中国，则可以从百度网盘下载：key 6pot。 2.创建培训样本 c
【文件预览】：
ESiamFC-main
----siamfc()
--------tracker_mix_branch.py(12KB)
--------train_mix_cw.py(8KB)
--------alexnet_mix_cw.py(12KB)
--------alexnet_mix.py(11KB)
--------tracker_mix_cw.py(9KB)
--------__init__.py(672B)
--------alexnet_sep.py(8KB)
--------train_sep.py(8KB)
--------custom_transforms.py(6KB)
--------tracker_sep.py(9KB)
--------utils.py(5KB)
--------config.py(2KB)
--------alexnet.py(7KB)
--------dataset.py(6KB)
--------feature_extract.py(2KB)
--------1(1B)
--------tracker.py(9KB)
--------tracker_mix.py(10KB)
--------train.py(7KB)
----bin()
--------create_lmdb.py(3KB)
--------create_dataset.py(8KB)
--------demo_ESiamFC.py(3KB)
--------run_SiamFC.py(986B)
--------train_siamfc.py(879B)
--------train_siamfc_sep.py(944B)
--------demo_siamfc_mix_branch.py(4KB)
--------train_siamfc_mix_cw.py(925B)
--------convert_pretrained_model.py(3KB)
--------video_feature_rate.py(6KB)
--------generate_feature_dataset.py(3KB)
--------demo_siamfc_mix.py(3KB)
--------generate_cluster_meta_data.py(5KB)
--------test_siamfc.py(1KB)
--------benchmark_result_analysis.py(5KB)
--------demo_siamfc.py(3KB)
--------1(1B)
--------demo_siamfc_sep.py(3KB)
----models()
--------readme.md(143B)
----LICENSE(1KB)
----env.txt(9KB)
----feature_clust()
--------get_data.m(1KB)
--------data_cluster_balanced_min2.m(5KB)
--------data_cluster_balanced_boilzmann.m(6KB)
--------feature_pca.m(46B)
--------video_feature_covariance.m(3KB)
--------result_analysis.m(1KB)
--------sigmoid.m(103B)
--------cluster_centres.m(517B)
--------test1.m(424B)
--------cluster_loss.m(790B)
--------create_result.m(376B)
--------cluster_similarty.m(2KB)
--------test.m(3KB)
--------cluster_num_distribution.m(673B)
--------data_cluster.m(4KB)
--------data_cluster_balanced.m(5KB)
--------demo.m(201B)
--------cluster_result_compare.m(1KB)
--------1(1B)
----got10k()
--------trackers()
----README.md(7KB)