这个工作是中科院王强博士的工作,也是第二个将特征提取网络和协同滤波网络级联到一起进行端到端训练的文献,在后续先后出现了CREST、FlowNet with temporal and spatial atttention等。
1. 论文的意义
判别滤波器目前是在线目标跟踪领域非常主流的方法。当前的发展方向主要是:
- 在传统DCF基础之上进行多核等研究
- 融合深度学习,从最开始的训练深度特征提取器到目前的基于网络的end-to-end设计
- 更加细致的研究spatial-temporal regularization
王强博士这篇文章对理解end-to-end的DCF设计具有很好的参考意义。
在这片文章中,作者设计了如图一的轻量级的网络机构,同时完成卷积特征提取过程和在线协同滤波跟踪。特别之处在于,在一个孪生网络中Siamese network,作者将判别协同滤波器看陈特殊的协同滤波器层 special correlation layer, 王强博士也给出了详细的反向传播推导过程。因为推导仍然在傅里叶空间中进行,所以DCFNet保留了非常好的跟踪时效性(>60pfs)。
2.作者提出的网络框架
首先回顾了判别相关滤波器的基本原理,然后详细推导传播过程,最后作者介绍了在线跟踪过程,并从RNN的角度给出了一个合理的解释。
2.1. 判别式相关滤波器
在标准的判别式相关滤波器中,我们根据