澎思科技资深算法研究员罗伯特：有限算力资源下的深度学习与人脸识别( 十 )_：澎思科技资深算法研究员罗伯特：有限

虽然基于相关滤波的跟踪算法在CPU上非常快，但是利用不起来GPU并行计算资源，因为快速傅里叶变换由很多零散的计算步骤组成，其GPU并行计算加速效果很差。接下来，给大家分享基于深度学习的跟踪算法，可以充分利用GPU并行计算资源。下图显示SIAMESE网络的跟踪器的流程。在帧1以目标位置为中心稍微扩充，构造参考图，用深度学习映射phi构造尺寸非常小的特征图（6x6）。在帧2扩充范围更大，构造搜索图，用同样的映射phi计算出尺寸比较大的特征图（22x22）。SIAMESE网络的特点是其输出层，所谓的相关层。6x6的特征图当作卷积核，扫描22x22的特征图，构造17x17大小的输出图。跟踪的效果就是输出图最大值的对应的位置。因17x17尺寸比较粗糙，经常对输出图进行上采样操作，获取更大分辨率的跟踪效果。SIAMESE网络属于离线学习的跟踪器，因为映射phi与原始图像无关，需要大量的人脸训练样本在GPU上学习映射phi的参数。然而，上述介绍的相关滤波跟踪器是在线学习的跟踪器，模板H依赖于原始图像，关键在于模板H的训练过程极快。