原创
CFNet视频目标跟踪推导笔记
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。
</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)argminw12n‖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