C-COT通过将卷积过程转换到连续域，解决了传统DCF模型不能有效整合多种分辨率特征的问题。这种方法允许结合不同层的卷积网络特征，如深度层的较小特征图。连续域的卷积定义和内插公式用于将特征图从离散域转换到连续域，确保不同分辨率的样本在同一定义域下进行操作。
Beyond Correlation Filters: Learning Continuous Convolution Operators for Visual Tracking
传统的DCF模型（如SRDCF）采用handcrafted或CNN等特征，但这些特征都是单一分辨率的，即每个通道的特征图的分辨率都是相同的。为了能够将多种分辨率的特征（例如，卷积网络不同层的特征图，层数越深，特征图越小）整合在一起，C-COT提出将卷积过程转换到一个连续域。这个连续域指的是自变量t在[0,T）范围内。
下面结合公式来描述：
（1）连续域的卷积定义：
首先介绍连续域时，即t在[0,T）范围内时，卷积运算的定义如下：
（2）假设有M个训练样本
每个样本的空间为
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
