CVPR 2017 CFNet:《End-to-end representation learning for Correlation Filter based tracking》论文笔记

  理解出错之处望不吝指正。

  本文模型叫做CFNet。作者在论文中提到，以前的工作只是将CF应用到了预训练的CNN特征上，并没有实现端到端的CNN-CF的结合。本文的主要贡献就是：推导了CF的可微闭合解，让CF成为CNN中的一个层，这样CNN-CF就可以end2end training，训练更适合CF tracking的卷积特征。

  模型的整体结构基于Siamese Network，如下图所示：

   

  我们使用来表示Test image，使用来表示Traing image，函数代表提取特征，则cross-correlation（互相关）计算可以用下式表示：

   

  作者在Traing image提取特征后，加入了CF，将上式变为：

   

  这里即代表CF操作。为了使最终的score的范围适用于logistics regression，作者提出了尺度参数和偏置项，接下来使用和Siamese Network一样的离线训练过程。

  接下来，作者推导了如何在傅里叶域在CF层进行反向传播（将目标函数变为拉格朗日对偶形式），最终得到了梯度的计算公式。这部分具体的推导过程可以参照https://blog.csdn.net/discoverer100/article/details/80030294

  至此，一个带有CF的神经网络可以端到端的进行训练了。