这是cfnet的引用文献的13号,
原文引用–“We found that it was important to provide the Correlation Filter with a large region of context in the training image, which is consistent with the findings of Danelljan et al. [8] and Kiani et al. [15].”
发现在训练图像中提供具有较大上下文区域的相关滤波器是重要的,这与Danelljan等人的[8]和Kiani等人的发现一致
Abstract
相关滤波器利用了傅里叶域中的特定特性,从而能够有效地估计它们:在频域上O(ND log D),而在空间上O(D3 + ND2), D是信号长度,N是信号数量。最近对相关过滤器的扩展,如MOSSE,由于其健壮性和有吸引力的计算特性,重新激起了在视觉社区中使用它们的兴趣。然而,在本文中,我们证明了这种计算效率是有代价的。具体来说,我们证明了只有一维比例的移位样本不受边界效应的影响,而边界效应对检测/跟踪性能有显著的影响。在本文中,我们提出了一种新的相关滤波器估计方法:
(i)利用频域内固有的计算冗余,(ii)显著降低边界效应。
令人印象深刻的目标跟踪和检测结果在精度和计算效率方面提出.
1 引言
两个信号之间的相关性是特征检测/匹配的标准方法。关联几乎涉及到计算机视觉的每个方面,从模式检测到对象跟踪。在空间领域,很少有人天真地进行相关。相反,快速傅里叶变换(FFT)提供了一种有效的应用,将所需的模板/滤波器与信号相关联。