CFNet视频目标跟踪推导笔记

原创

CFNet视频目标跟踪推导笔记

2018-05-07 15:17:16 越野者 阅读数 2709 更多

分类专栏： 视频目标跟踪（Visual tracking） 论文笔记（Paper notes） 相关滤波（Correlation filter） 数字图像处理、模式识别与深度学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接： https://blog.csdn.net/discoverer100/article/details/80030294

            </div>
                                                <!--一个博主专栏付费入口-->
         
         <!--一个博主专栏付费入口结束-->
        <link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/ck_htmledit_views-4a3473df85.css">
                                    <div id="content_views" class="markdown_views prism-tomorrow-night">
                <!-- flowchart 箭头图标 勿删 -->
                <svg xmlns="http://www.w3.org/2000/svg" style="display: none;">
                    <path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path>
                </svg>
                                        <h1 id="1-论文信息"><a name="t0"></a>1. 论文信息</h1>

论文题目：End-to-end representation learning for Correlation Filter based tracking
论文出处：CVPR 2017
论文作者：Jack Valmadre，Luca Bertinetto等人
论文主页：http://www.robots.ox.ac.uk/~luca/cfnet.html
源码链接：https://github.com/bertinetto/cfnet

2. 滤波器求解——论文公式(7)推导过程

2.1 最优化求解

首先，定义最优化问题

argminw12n∥∥XTw−y∥∥2+λ2∥w∥2(1)(1)arg⁡minw⁡12n‖XTw−y‖2+λ2‖w‖2

其中vv求偏导数，得

∂L(w,r,v)∂w=∂(12n∥r∥2+λ2∥w∥2+vT(r−XTw+y))∂w=∂(12n∥r∥2)∂w+∂(λ2∥w∥2)∂w+∂(vT(r−XTw+y))∂w=∂(12n∥r∥2)∂w+∂(λ2∥w∥2)∂w+∂(vT(XTw))∂w=∂(12n∥r∥2)∂w+∂(λ2∥w∥2)∂w+∂(vTXTw)∂w=0+λw+vT(0−XT)=λw−(vTXT)T=λw−Xv(4)(4)∂L(w,r,v)∂w=∂(12n‖r‖2+λ2‖w‖2+vT(r−XTw+y))∂w=∂(12n‖r‖2)∂w+∂(λ2‖w‖2)∂w+∂(vT(r−XTw+y))∂w=∂(12n‖r‖2)∂w+∂(λ2‖w‖2)∂w+∂(vT(XTw))∂w=∂(12n‖r‖2)∂w+∂(λ2‖w‖2)∂w+∂(vTXTw)∂w=0+λw+vT(0−XT)=λw−(vTXT)T=λw−Xv

现在对rr求偏导数，得

∂L(w,r,v)∂r=∂(12n∥r∥2+λ2∥w∥2+vT(r−XTw+y))∂r=∂(12n∥r∥2)∂r+∂(λ2∥w∥2)∂r+∂(vT(r−XTw+y))∂r=12n⋅2r+0+(vT)T(1−0+0)=1nr+v(5)(5)∂L(w,r,v)∂r=∂(12n‖r‖2+λ2‖w‖2+vT(r−XTw+y))∂r=∂(12n‖r‖2)∂r+∂(λ2‖w‖2)∂r+∂(vT(r−XTw+y))∂r=12n⋅2r+0+(vT)T(1−0+0)=1nr+v

最后对vv求偏导数，得

∂L