Sobolev Gradient Descent

最近听了一个报告，来自KAUST，做的是tracking，给定第一帧中一个物体的分割，求后面若干帧中该物体的分割。

其采用的方法有两个重点

1.用Sobolev gradient flow解决最优化问题

2.目标方程考虑物体移动时新出现的部分和被遮挡的部分。

虽然讨论重点是第一点，但个人觉得主要贡献还是集中在第二点。因为Sobolev gradient flow是一个出现已久的概念。但不可否认，这种优化方法被多多少少忽略了。

一般来说，根据贝叶斯原理，图像配准的经典目标方程是

这里写的比较随意了，但是第一项就是图像在形变下的匹配程度，第二项就是所谓的regularization，以保证形变的平滑。注意到这里的形变u定义在一般的希尔伯特L2空间中（类比于可积的欧式空间）。由于最后优化的结果是两项的折衷，所以通常获得形变会很小。尤其是alpha的选择很难，太大和太小都有一定的问题，而且在优化过程中是固定的(对图像中所有位