1.主要贡献
这篇文章发表于CVPR18上,是spotlight文章,从思路来说并不难,下面就来说一下这篇文章吧,有不对的地方欢迎一起讨论~
贡献1:这个算法使用了将KRR(核相关滤波)和CNN(卷积神经网络)方法结合的方式来进行目标跟踪(就是每个模型的response加权求和),作者将传统迭代求解KRR的方法运用神经网络的方式求解(这个有意思),比传统方式更有效;\
贡献2:将空域正则化的核用在卷积神经网络中,这样网络输出的每一层都可以对特定的局部区域有响应,并且作者使用了距离变化池化层(distance transform pooling layer)来卷积层输出的有效性。
2.核化岭回归模型(KRR)
2.1 一个新的核
首先给出岭回归模型原空间的解如下
然后给出对偶空间的解并运用核技巧如下
作者想出了一个新的核,把每个图像等分分成M块小区域,这样计算核即计算两个图像所有小区域的相关加权和,即
通过设置加权系数可以使这个核满足对称性,作者设计这个核的主要目的是使模型能够更多的关注图像的不同子区域之间的相似性,加权系数也可通过计算自适应的调整子区域的相似性,这样能使模型更有判别性。
把3式带入2式得到如下4式
这个式子比较繁琐,将它等价简化成矩阵形式如下