CVPR 2017 CA:《Context-Aware Correlation Filter Tracking》论文笔记
理解出错之处望不吝指正。
本文中提到,待跟踪物体周围的环境对跟踪性能有很大的影响。如果当前周围特别杂乱,想要完成高质量的跟踪,context信息就显得十分重要了。作者提出了CA模型(其实可以当做一个模块,因为可以将其加入任何CF based tracker),可以在CF tracker中显示的结合global context。
本文CF和传统CF的对比图如下:
回顾传统CF
目标函数:
这里表示经过循环移位得到的矩阵,我们使用表示给定的image patch(即的第一行)。
原始域:
使梯度为0,可解的封闭解:,在傅里叶域可以快速实现矩阵的转置,我们可在傅里叶域得到:
这里的代表傅里叶变换,代表共轭。
检测时如下(代表下一帧的image patch,代表循环矩阵):
对偶域:
通过使,可得封闭解:,在傅里叶域:
检测时如下:
循环矩阵恒等式(下文会用到):
本文中的CF
单通道特征时:
目标函数:
其实本文创新点就在于这个目标函数,下面解释一下它。这里我们前面解释过了,表示对于给定的image patch 经过循环移位得到的矩阵。那么呢?对于每一帧,我们在周围进行采样(具体的采样策略在文末会有介绍),得到(其实就是将他们当做困难负样本去训练模型的鲁棒性),我们将他们个称为context patch。对于每个context patch,进行循环移位得到。
对于在损失函数中的贡献我们可以一目了然,就是想让他们的响应越小越好。其实可以将它们使用其他的正则项形式加入目标函数,为什么选择了上式中的呢?作者说:这样我们学到的是让context patch的响应比image patch的响应低,而不是想让context patch的响应变为0。
原始域:
首先我们可以将目标函数进行一下变化(好巧妙啊),令:
这样,目标函数就可变为:
另其梯度为0,可求得封闭解:
使用类似于传统CF中的方法,在傅里叶域的封闭解为:
检测时和传统CF的一样:
对偶域:
在原始域中的封闭解的形式和标准岭回归一样,所以我们可得封闭解:
使用循环矩阵恒等式可以得出傅里叶域的解:
这里的向量经过如下计算得到:
由于每一个向量都是一个维向量,且中的所有块都是对角矩阵,我们可以将的计算分割为个矩阵进行并行计算:
检测时:
多通道特征时:
目标函数:
在单通道特征时,的大小是,其中代表的是一个image patch和个context patch。
对于多通道特征图,我们用大小为的矩阵代替,这里的代表特征通道数,也就是说,矩阵的行代表patches,列代表features。
目标函数变为:
原始域:
和前文一样,通过使梯度为0可得:
使用循环矩阵恒等式得到:
这里的由下式计算得到:
这里也可以使用上文中提到的分块矩阵并行计算。
检测时,几乎和传统CF中一样,只不过和的维度要翻m倍。
对偶域:
首先得到封闭解:
使用循环矩阵恒等式得到:
这里的向量通过下式计算得出:
这里也可以使用上文中提到的分块矩阵并行计算。
检测时(化简后最终得到):
采样策略
在那些在响应图中远离峰值、响应值也很大的位置进行采样,目的是降低这些位置的响应值。
CVPR 2017 CA:《Context-Aware Correlation Filter Tracking》论文笔记相关推荐
- Robust Multi-Modality Multi-Object Tracking 论文笔记
Robust Multi-Modality Multi-Object Tracking 论文笔记 为什么要做多模态融合的 MOT? Motivation Method 问题构造: 下面是详细介绍: 单 ...
- CVPR 2010 MOSSE:《Visual Object Tracking using Adaptive Correlation Filters.》论文笔记
理解出错之处望不吝指正. 本文模型就是大名鼎鼎的MOSSE,是CF在tracking的开篇之作. 什么是CF? 本段部分摘自百度百科. 两个函数互相关的含义是:对两个函数分别作复数共轭和反向平移并使其 ...
- CVPR 2018 《High-speed Tracking with Multi-kernel Correlation Filters》论文笔记
本文是一篇基于相关滤波的文章,提出了一种不同于MKCF的multi-kernel learning(MKL)方法,做到了更快更好. CF的paper真的好难懂(连个图都没有)...通篇公式推导,日后再 ...
- ECCV 2012 KCF/DCF:《High-speed tracking with kernelized correlation filters》论文笔记
理解出错之处望不吝指正. 本文模型就是大名鼎鼎的KCF/DCF. 本文在CSK的基础上进行了一些改进,大致如下: (1)不像CSK中使用的是灰度特征,本文使用HOG特征: (2)使用HOG特征+高斯核 ...
- ASSIST: Towards Label Noise-Robust Dialogue State Tracking论文笔记
ASSIST: Towards Label Noise-Robust Dialogue State Tracking 面向标签噪声鲁邦性的对话状态追踪 Abstract **问题所在:**首先抬一手M ...
- 【小白笔记】目标跟踪(Unveiling the Power of Deep Tracking)论文笔记
文章目录 1.主要贡献 2.主要思路 2.1怎么发挥深度特征的潜能 2.2怎么融合 1.主要贡献 这篇文章18年四月份挂在Arxiv上,现在中了ECCV18,是Martin作为3作的一篇文章,性能比E ...
- A survey of detection-based video multi-object tracking 论文笔记
- (十一:2020.08.28)CVPR 2017 追踪之论文纲要(译)
CVPR 2017 追踪之论文纲要(修正于2020.08.28) 讲在前面 论文目录 讲在前面 论坛很多博客都对论文做了总结和分类,但就医学领域而言,对这些论文的筛选信息显然需要更加精细的把控,所以自 ...
- CVPR 2017 paper
参考链接 CVPR 2017 open access Paperlist Graph-Structured Representations for Visual Question Answering ...
最新文章
- V8 —— 你需要知道的垃圾回收机制
- 内存管理相关【内存布局内存管理方案】
- ASP.NET MVC 2 验证
- pycharm安装pyqt5失败_PyQt5安装与Pycharm集成配置开发环境
- 2021年度训练联盟热身训练赛第一场 H题On Average They‘re Purple(BFS)
- php中自动转换、强制转换、其他数据类型和bool转换
- 无线网和网吧服务器,吧也无线?网吧无线网解决方案
- PHP过滤HTML标签的三种方法
- python pathos_Python模块之os模块
- StandardWrapper
- 做真正Hacker 的乐趣──自己动手去实践
- java怎么控制页面打印次数_java – 控制打印页面上面板的大小
- 中州韵输入法 linux 小鹤双拼,App Store 上的“iRime输入法-小鹤双拼五笔郑码输入法”...
- 安装广告拦截插件abp
- y400安装dolby方法
- python样本期望值_总体是指数分布,样本均值倒数的期望和方差如何求?
- dec是几进制(oct是几进制)
- 什么是软件危机?它有哪些典型表现?为什么会出现软件为危机?
- 企业文化五因素论(转载)
- 计算机3d打印技术论文,3D打印技术小论文
热门文章
- 科大星云诗社动态20201126
- 机器学习、深度学习、强化学习课程超级大列表!
- python中的函数定义问题
- 【CyberSecurityLearning 47】PHP 数组
- linux下载软件后环境变量配置(最详细的保姆教程)——怎么找到linux下文件的路径
- eclipse部分快捷操作
- 程序猿要什么爱情,陪你未来的是键盘和代码啊!
- 打印所有低于平均分的分数(数组)
- 【译】Understanding Batch Normalization with Examples in Numpy and Tensorflow with Interactive Code
- 区块链学堂(2):最简单的智能合约