DCFNET: DISCRIMINANT CORRELATION FILTERS NETWORK FOR VISUAL TRACKING
這個工作是中科院王強博士的工作，也是第二個將特征提取網(wǎng)絡和協(xié)同濾波網(wǎng)絡級聯(lián)到一起進行端到端訓練的文獻，在后續(xù)先后出現(xiàn)了CREST、FlowNet with temporal and spatial atttention等。
1. 論文的意義
判別濾波器目前是在線目標跟蹤領域非常主流的方法。當前的發(fā)展方向主要是：
王強博士這篇文章對理解end-to-end的DCF設計具有很好的參考意義。
在這片文章中，作者設計了如圖一的輕量級的網(wǎng)絡機構(gòu)，同時完成卷積特征提取過程和在線協(xié)同濾波跟蹤。特別之處在于，在一個孿生網(wǎng)絡中Siamese network，作者將判別協(xié)同濾波器看陳特殊的協(xié)同濾波器層 special correlation layer， 王強博士也給出了詳細的反向傳播推導過程。因為推導仍然在傅里葉空間中進行，所以DCFNet保留了非常好的跟蹤時效性（>60pfs）。
2.作者提出的網(wǎng)絡框架
首先回顧了判別相關(guān)濾波器的基本原理，然后詳細推導傳播過程，最后作者介紹了在線跟蹤過程，并從RNN的角度給出了一個合理的解釋。
2.1. 判別式相關(guān)濾波器
在標準的判別式相關(guān)濾波器中，我們根據(jù)目標區(qū)域φ(x)∈M*N*D的特征 和 期待的高斯分布響應 y∈M*N訓練一個判別式的回歸函數(shù)。那么，期待的濾波器w可以通過最小化脊損失（ridge loss）獲得：
☆代表循環(huán)相關(guān)，正是因為循環(huán)相關(guān)可以在傅里葉空間內(nèi)進行快速運算，所以DCF才會具有非常高的時間性能。λ是正則化系數(shù)。
上面的公式可以求解，為：
^代表傅里葉空間，*代表復共軛，圈點代表hadamard product。
一旦我們構(gòu)建好了濾波器就可以直接用于檢測了，在后續(xù)過程只需要關(guān)注濾波器的跟新就好了（如何更新也是DCF研究的重點方向）。在檢測過程中， 我們首先在新的一幀中剪裁尋找區(qū)域search patch， 然后提取這個patch的特征φ(z)，通過定位濾波器的最大響應就可以估計目標在前后兩幀的平移，具體為：
2.2 DCFNet 推導：反向傳播過程
傳統(tǒng)的基于DCF的跟蹤器只能試探性的精修超參數(shù)，而本文提出的網(wǎng)絡結(jié)構(gòu)可以同時精修特征提取部分的超參數(shù)和DCF部分的超參數(shù)。就像圖一的網(wǎng)絡結(jié)構(gòu)圖所示，本文通過級聯(lián)特征提取網(wǎng)絡和DCF模塊得到目標的位置響應。當給定搜索區(qū)域patch的特征φ(z)， 目標響應~g應該在真實的目標位置得到一個更高的響應，所以目標函數(shù)可以設計為：
? ??
很明顯，下面的公式是成立的：
因為前向通路的操作僅包含Hadamard乘積和除法，我們就可以按元素求偏導：
所以，檢測階段網(wǎng)絡傳播為：
學習階段的網(wǎng)絡傳播為：
因為相關(guān)濾波層中的傳播操作仍然是在傅里葉空間中進行的，我們可以保留DCF的快速跟蹤特性。離線使用大量數(shù)據(jù)集進行測試，就可以得到一個功能定制的特征提取器為DCF在線跟蹤。
2.3 在線模型更新：一種RNN的解釋
在線跟蹤過程中，我們只需要更新濾波器空間的傅里葉變換系數(shù)。所以傳統(tǒng)的DCF優(yōu)化問題可以寫為一個增量模式：
同時，傳統(tǒng)DCF的閉式解也可以拓展到時間序列：
增量更新的好處在于，我們不需要一個大的樣本數(shù)據(jù)集，只需要很小的內(nèi)存占用。作者也是把該該過程看成了一個RNN網(wǎng)絡：
3.測試情況
特征提取層：VGG
訓練視頻：NUS-PRO、TempleColor 128、 UAV123；
作者研究了切除性影響ablation analysis 、尺度變換數(shù)量的作用
總結(jié)
以上是生活随笔為你收集整理的DCFNET: DISCRIMINANT CORRELATION FILTERS NETWORK FOR VISUAL TRACKING的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Win2000/XP服务与后门技术
- 下一篇： 我的第一句__asm 语句[很简单]