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:

你可能感兴趣的:(目标识别与跟踪)