? 理解出錯(cuò)之處望不吝指正。

? 本文模型叫做LSART。本模型主要分為兩條線：（1）.Spatial-Aware KRR；（2）.Spatial-Aware CNN。

?

? Spatial-Aware KRR：KRR with Cross-Patch Similarity（KRRCPS）

? 傳統(tǒng)的嶺回歸：

???

? 根據(jù)representer theorem（表示定理），這個(gè)優(yōu)化問(wèn)題可以寫(xiě)為：

???

? 本文提出了一個(gè)新穎的核函數(shù)，考慮了兩個(gè)樣本之間的所有的patches之間的相似度（這里表示權(quán)重）：

???

? 通過(guò)變形，可以將問(wèn)題變?yōu)?#xff08;這里表示權(quán)重向量）：

???

? 把函數(shù)中響應(yīng)項(xiàng)單獨(dú)拿出來(lái)，可以寫(xiě)成以下形式：

???

? 這里A、B、C分別對(duì)應(yīng)下圖中的一個(gè)模塊。

???

?

? Spatial-Aware CNN：CNN with Spatially Regularized Kernels（CNNSRK）

? 通過(guò)在卷積層中加入spatial正則項(xiàng)，使模型考慮spatial信息（進(jìn)過(guò)卷積層后除了focus的位置，其他均置0）：

???

? 上式即為一個(gè)卷積層的操作，即為我們加入的spatial正則項(xiàng)，為卷積操作。

? 訓(xùn)練階段模型結(jié)構(gòu)：

???

? 測(cè)試階段模型結(jié)構(gòu)：

???

?

? 最終tracking時(shí)要結(jié)合這兩部分：

???

總結(jié)

以上是生活随笔為你收集整理的CVPR 2018 LSART:《Learning Spatial-Aware Regressions for Visual Tracking》论文笔记的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。