论文笔记DCFNET: Discriminant Correlation Filters Network For Visual Tracking

• 1. 论文标题及来源
• 2. 拟解决问题
• 3. 解决方法
• • 3.1 算法流程
  • 3.2 模型在线更新
• 4. 实验结果
• • 4.1 OTB2013&2015
  • 4.2 VOT2015
  • 4.3 消融实验
• 5. 总结

1. 论文标题及来源

DCFNET: Discriminant Correlation Filters Network For Visual Tracking, argXiv, 2017.

下载地址：https://arxiv.org/abs/1704.04057

2. 拟解决问题

a. 基于DCF的方法中使用手工标注的特征，例如HOG

b. 训练卷积网络的时候依赖于其它任务，例如分类

3. 解决方法

3.1 算法流程

a. 通过特征提取器提取target和search region的特征(注意target和search region同大小)

b. 将它们输入到相关滤波层得到热力图(跟踪时会在线更新)

c. 根据热力图得到目标

3.2 模型在线更新

在线跟踪过程中，我们只需要更新滤波器空间的傅里叶变换系数。所以传统的DCF优化问题可以写为一个增量模式

β t \beta_t βt​表示 x t x_t xt​的贡献程度

同时，传统DCF闭式解也可以拓展到时间序列

作者把这个过程看成是RNN的更新过程，如下图所示

4. 实验结果

4.1 OTB2013&2015

4.2 VOT2015

4.3 消融实验

5. 总结

该算法利用孪生网络提取特征，然后全文几乎全是公式推导，它在OTB2013上的AUC是0.604；OTB2015上的AUC，TRE和SRE分别是0.575， 0.601和0.527。效果相对较差，甚至连16年的SiamFC都比不过。但是该算法真正实现了end-to-end训练。