論文 ： Beyond Correlation Filters:Learning Continuous Convolution Operators for Visual Tracking
該文章的主要思想是將傳統手工特徵換成了 vgg的特徵
但是由於特徵層的分辨率不同，故通過插值將每層特徵轉到 【0，T) 空間，公式如下
其中 xd是d層特徵，Nd爲每層的特徵行列數，bd爲事先計算的權重，插值可以將特徵點精確到亞像素級別
隨後將各個特徵圖和濾波器進行卷起操作，類似於svm求解相應的方式。公式如下：
sf 爲 樣本x的相應值。然後在該相應圖中尋找minMaxLoc，得到最後的置信度。
濾波器的求解方式如下：
其中yi爲label ，具體沒注意，不過參考kcf的話，可以是gauss分佈
aj是訓練樣本的權重
由於本人數學較差，看不懂部分的公式推導，在文章中，E（f）最小化可以等價於器相對每格濾波器
f的傅里葉係數的最小化。最後又等價於最小平方問題
該公式的最小值可以通過求解一下正規方程獲得：
跟蹤框架：
1. 提取樣本，以中心點擴大區域，設置樣本權重 aj = a（j-1）/(1-λ） λ = 0.0075 權重歸一化，
最多存儲 m個樣本。 迭代時更換權重最小的樣本來更新
文章使用5個尺度，比例因子1.02,通過如上的5次計算，獲得最佳尺度。