《Correlation Filters with Limited Boundaries》--文献阅读理解

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。