CVPR 2018 LSART:《Learning Spatial-Aware Regressions for Visual Tracking》论文笔记

  理解出错之处望不吝指正。

  本文模型叫做LSART。本模型主要分为两条线：（1）.Spatial-Aware KRR；（2）.Spatial-Aware CNN。

 

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

  传统的岭回归：

   

  根据representer theorem（表示定理），这个优化问题可以写为：

   

  本文提出了一个新颖的核函数，考虑了两个样本之间的所有的patches之间的相似度（这里表示权重）：

   

  通过变形，可以将问题变为（这里表示权重向量）：

   

  把函数中响应项单独拿出来，可以写成以下形式：

   

  这里A、B、C分别对应下图中的一个模块。

   

 

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

  通过在卷积层中加入spatial正则项，使模型考虑spatial信息（进过卷积层后除了focus的位置，其他均置0）：

   

  上式即为一个卷积层的操作，即为我们加入的spatial正则项，为卷积操作。

  训练阶段模型结构：

   

  测试阶段模型结构：

   

 

  最终tracking时要结合这两部分：