ECCV 2012 CSK:《Exploiting the circulantstructure of tracking-by-detection with kernels》论文笔记_exploiting the circulant structure of tracking-by--CSDN博客

本文链接：https://blog.csdn.net/ms961516792/article/details/81504506

理解出错之处望不吝指正。

本文模型就是大名鼎鼎的CSK。

本文的贡献：

（1）稠密采样、循环移位；

（2）循环矩阵带来的快速计算；

（3）计算了不同的核函数的封闭解。

稠密采样、循环移位

如上图所示，以往的方法中，采用的都是随机采样，作者说这会带来很大的冗余，并且只使用到了bbox的局部特征。而作者提出的稠密采样可以将整张图片的特征都利用起来。

实际上，训练样本是通过循环移位产生的。首先，稠密采样得到的样本与循环移位产生的样本很像，可以用循环移位来近似；其次，卷积（or互相关）运算在傅里叶域对应可以转化为点乘，且循环矩阵经过傅里叶变换会对角化，这两点都可以减小计算量。

循环矩阵带来的快速计算

首先，我们要知道，对于tracking任务，可以形式化的描写为下式：

这里的代表的是一个线性分类器 $f(x)=\left \langle w,x \right \rangle+b$ .

作者使用的是RLS（Regularized Least Squares）损失： L(y,f(x))=(y-f(x))^2 .

通过使用kernel trick，这里核函数使用 $\kappa (x,x^{'})=\left \langle \varphi (x),\varphi (x^{'}) \right \rangle$ 表示。根据表示定理，我们可以得出： $w=\sum_{i}\alpha _{i}\varphi (x_{i})$ .

进一步，我们可以得出RLS with Kernels（KRLS）的封闭解：

这里为kernel martix，为单位矩阵。注意到这个公式中存在矩阵的求逆操作，这会带来很大的计算量，作者接下来的目的就是简化上式的计算量。

作者观察到，一个向量通过循环移位可以得到一个循环矩阵：

若是将循环矩阵 C(u) 和矩阵相乘，即求 C(u)v ，可以变换到傅里叶域进行快速计算：

同时作者在论文中提到，循环矩阵的和、点积、求逆都还是循环矩阵。接下来，就是将循环矩阵的性质应用到求解 $\alpha$ 中。

对于一个给定的图片，我们将其转化为一个 $n\times 1$ 的向量，则采样操作可以看为：

这里的矩阵是用来实现循环移位的置换矩阵。

接下来，作者证明了，若 $\kappa$ 是一个unitarily invariant kernel，则由元素 $K_{i,j}=\kappa (P^{i}x,P^{j}x)$ 组成的kernel martix 是一个循环矩阵。这对于KRLS来说是满足的（满足的还有：高斯核函数、线性核函数、多项式核函数等）。则对于 $k_i=\kappa (x,P^{i}x)$ 组成的向量，这里 K=C(k) 。参照 C(u)v 的变换，可以得到 $\alpha$ 的解：