DCF:基于判别相关滤波器
论文链接:https://arxiv.org/abs/1704.04057v1
本方法同时是利用孪生网络,是Siamese FC的改进版本。同时完成卷积特征提取过程和在线协同滤波跟踪过程,真正属于End2End(端到端)的框架。在传统判别滤波器的基础上进行了如下三点改进:
1、进行多核方法的探索;
2、和深度学习方法进行结合,实现端到端的设计,取代之前的训练深度特征提取器提取特征再进行相关滤波的操作;
3、对spatial-temporal regularization进行深入研究
作者将DCF视为Siamese网络中添加的特殊的相关滤波层,并通过将网络输出定义为对象位置的概率热图来仔细通过它来推导反向传播,作者给出了详细的反向推导过程。
传统DCF基本原理框架
本图来自https://blog.csdn.net/wanghanthu/article/details/52777512
1、网络结构:
卷积层:用来离线训练过程中编码先验跟踪信息,并构造一个专属的特征提取器
相关滤波层:通过将网络输出定义为目标位置的概率热图,完成在线学习和跟踪
1、1判别相关滤波
1、2DCFNET推导:反向传播过程
1、3在线模型更新:一种RNN解释
参考博客:https://blog.csdn.net/shenziheng1/article/details/80878290