論文筆記DCFNET: Discriminant Correlation Filters Network For Visual Tracking

1. 論文標題及來源

DCFNET: Discriminant Correlation Filters Network For Visual Tracking, argXiv, 2017.
下載地址：https://arxiv.org/abs/1704.04057

2. 擬解決問題

a. 基於DCF的方法中使用手工標註的特徵，例如HOG
b. 訓練卷積網絡的時候依賴於其它任務，例如分類

3. 解決方法

3.1 算法流程

a. 通過特徵提取器提取target和search region的特徵(注意target和search region同大小)
b. 將它們輸入到相關濾波層得到熱力圖(跟蹤時會在線更新)
c. 根據熱力圖得到目標

3.2 模型在線更新

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。所以傳統的DCF優化問題可以寫爲一個增量模式

$\beta_t$表示$x_t$的貢獻程度

同時，傳統DCF閉式解也可以拓展到時間序列

作者把這個過程看成是RNN的更新過程，如下圖所示

4. 實驗結果

4.1 OTB2013&2015

4.2 VOT2015

4.3 消融實驗

5. 總結

該算法利用孿生網絡提取特徵，然後全文幾乎全是公式推導，它在OTB2013上的AUC是0.604；OTB2015上的AUC，TRE和SRE分別是0.575， 0.601和0.527。效果相對較差，甚至連16年的SiamFC都比不過。但是該算法真正實現了end-to-end訓練。