先给出原文链接：https://arxiv.org/abs/1711.01124v1
代码暂未放出。

该论文核心思想：使用光流信息帮助跟踪。用光流信息指导历史特征融合，得到更好的目标模型，类似于根据光流做了特征对齐。

先上总框架：

(1)跟踪使用的特征由Feature CNN提取；
(2)光流信息由FlowNet提取；
(3)Warp操作指的是在光流的指导下将最近几帧(文章中使用5帧)的目标特征对齐到t-1帧；
(4)Spatial-temporal attention给各通道特征赋予权值；
(5)在训练阶段，使用CF layer执行相关滤波操作，得到响应图，目的是方便端到端训练网络，CF layer层最早在CF Net中提出，该论文也给出了其正反向传播的推导，有兴趣可参看原文。测试阶段CF layer被换成了标准相关滤波模块。

训练过程中，各个有参数层或结构统一端到端训练。

下面分别来看看各个部分的结构和细节。

Feature CNN：由三个卷积层构成(3x3x128, 3x3x128, 3x3x96)。

FlowNet：2015年被提出，是用来提取光流场的深度网络，9层卷积，如下图。

Warp操作：

其中，φ _t表示Feature CNN提取的特征，下标t和i表示第t帧和第i帧，W表示Warp操作，φ _t→i表示将第t帧特征Warp到第i帧。
Warp操作按特征通道进行：

其中m表示通道，p表示原始图像上点的坐标，δp表示点的光流，q表示特征图上点的坐标，K是双线性插值核，论文中给出了反向传播时，这部分的求导结果，这里不具体列出，有兴趣可参考原文。由于原论文没有给出K的具体表达式，这个公式我也不敢断定其含义，不过就作者给我的这部分代码段来看，可以稍微清楚一点它的具体操作。

img应该是历史帧某个特征通道的feature map，flow应该是这个feature map所对应帧到t-1帧的目标区域光流场。从这段代码，我认为，作者做的操作就是：
(1)算出第i帧目标到第t-1帧的光流场；
(2)然后对光流场取相反数，就认为是第t-1帧到第i帧的目标区域的光流场；
(3)然后从t-1帧图像的整像素点，根据光流逆推回去，得到第t-1帧中的整像素点对应到第i帧应该在什么位置(不一定是整数点)；
(4)然后使用remap函数插值得到第i帧Warp到第t-1帧的特征。

这个操作存在的疑问是：认为第i帧到第t-1帧的光流直接取反即为t-1帧整像素点到第i帧的光流并不准确，直接取反，只能知道t-1帧对应于第i帧整像素点的那些像素点的光流(即a图中的红点)，这个光流应该与t-1帧整像素点光流有差异。

Spatial attention：

上图绿色标识部分即为Spatial attention结构，Bottleneck参考Inception网络，作用是将原特征映射到一个新的特征空间(找到一个合适的embedding)，然后根据公式：

计算Spatial attention，并融合特征。其中上标e表示通过Bottleneck结构找到的embedding，p表示Feature map上的点坐标。总的来说，这个部分的物理意义是，对与t-1帧特征不相似的特征赋予低权重，反之，与其相似的赋予高权重。感觉论文中没有讲清楚这部分的细节，以下是本人的推测，Spatial attention的操作图解如下：

先根据位置p取出各个帧Feature map在p位置的特征(是向量)，然后分别求被取出的向量与t-1帧取出的向量之间的余弦相似度，最后做softmax，得到在p位置上，各帧特征的权重。对每个位置p做此操作，即可得到Spatial attention。

Temporal attention：

从Spatial attention输出来的权重map，输入Temporal attention结构，经过一个类似SE-Net的结构，得到通道重要性权值，可以看作是对Spatial attention的二次调整。

在线更新：
最后来看一看该论文的在线更新方法。
在跟踪阶段(testing)，将CF layer替换成标准相关滤波跟踪模块，在线更新即是更新相关滤波模板。

其中，R为响应图，f为滤波模板。可以看出，阈值为历史值得平均(不知道是所有历史值的平均还是最近几帧的平均)。

最后给出部分实验结果：
1.Ablation study：

2.与其他算法对比：

完整实验结果参看论文原文。