CVPR 2017 CA:《Context-Aware Correlation Filter Tracking》论文笔记

最新推荐文章于 2024-02-28 15:20:45 发布

NeverMoreH

最新推荐文章于 2024-02-28 15:20:45 发布

阅读量3.3k

点赞数 4

分类专栏：目标跟踪 # 2017年论文文章标签：目标跟踪 CVPR2017 CA CF 相关滤波

本文链接：https://blog.csdn.net/ms961516792/article/details/81774979

版权

目标跟踪同时被 2 个专栏收录

43 篇文章 4 订阅

订阅专栏

2017年论文

10 篇文章 1 订阅

订阅专栏

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 A_0 表示经过循环移位得到的矩阵，我们使用 a_0 表示给定的image patch（即 A_0 的第一行）。

原始域：

使梯度为0，可解的封闭解： $w=(A_{0}^{T}A_{0}+\lambda _{1}I)^{-1}A_{0}^{T}y$ ，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 $\hat{w}$ 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 $w=A_{0}^{T}\alpha$ ，可得封闭解： $\alpha =(A_{0}A_{0}^{T})^{-1}y$ ，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 A_0 我们前面解释过了，表示对于给定的image patch a_0 经过循环移位得到的矩阵。那么 $A_{1},A_{2},...,A_k$ 呢？对于每一帧，我们在 a_0 周围进行采样（具体的采样策略在文末会有介绍），得到 $a_{1},a_{2},...,a_k$ （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 $A_{1},A_{2},...,A_k$ 。

对于 $A_{1},A_{2},...,A_k$ 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：