? 理解出錯之處望不吝指正。

? 本文模型叫做CFNet。作者在論文中提到，以前的工作只是將CF應(yīng)用到了預(yù)訓(xùn)練的CNN特征上，并沒有實現(xiàn)端到端的CNN-CF的結(jié)合。本文的主要貢獻(xiàn)就是：推導(dǎo)了CF的可微閉合解，讓CF成為CNN中的一個層，這樣CNN-CF就可以end2end training，訓(xùn)練更適合CF tracking的卷積特征。

? 模型的整體結(jié)構(gòu)基于Siamese Network，如下圖所示：

???

? 我們使用來表示Test image，使用來表示Traing image，函數(shù)代表提取特征，則cross-correlation（互相關(guān)）計算可以用下式表示：

???

? 作者在Traing image提取特征后，加入了CF，將上式變?yōu)?#xff1a;

???

? 這里即代表CF操作。為了使最終的score的范圍適用于logistics regression，作者提出了尺度參數(shù)和偏置項，接下來使用和Siamese Network一樣的離線訓(xùn)練過程。

? 接下來，作者推導(dǎo)了如何在傅里葉域在CF層進(jìn)行反向傳播（將目標(biāo)函數(shù)變?yōu)槔窭嗜諏ε夹问?#xff09;，最終得到了梯度的計算公式。這部分具體的推導(dǎo)過程可以參照https://blog.csdn.net/discoverer100/article/details/80030294

? 至此，一個帶有CF的神經(jīng)網(wǎng)絡(luò)可以端到端的進(jìn)行訓(xùn)練了。

總結(jié)

以上是生活随笔為你收集整理的CVPR 2017 CFNet:《End-to-end representation learning for Correlation Filter based tracking》论文笔记的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

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