C-COT核心思想

Beyond Correlation Filters: Learning Continuous Convolution Operators for Visual Tracking

传统的DCF模型（如SRDCF）采用handcrafted或CNN等特征，但这些特征都是单一分辨率的，即每个通道的特征图的分辨率都是相同的。为了能够将多种分辨率的特征（例如，卷积网络不同层的特征图，层数越深，特征图越小）整合在一起，C-COT提出将卷积过程转换到一个连续域。这个连续域指的是自变量t在[0,T）范围内。

---

下面结合公式来描述：

（1）连续域的卷积定义：

首先介绍连续域时，即t在[0,T）范围内时，卷积运算的定义如下：

（2）假设有M个训练样本

• 每个样本的空间为
  
  其中N1是第一通道特征图的分辨率,ND是第D个通道的空间点个数。

• 每个训练样本有D个通道（即有D个通道的特征）
  

• 每个通道的特征表示为（Nd是第d个通道特征的size）
  

内插公式：

作用：将特征图从离散域转换到连续域，原来多种分辨率的样本全都统一到了相同的定义域

示意图：