? 理解出錯之處望不吝指正。

? 本文模型叫做LSART。本模型主要分為兩條線：（1）.Spatial-Aware KRR；（2）.Spatial-Aware CNN。

?

? Spatial-Aware KRR：KRR with Cross-Patch Similarity（KRRCPS）

? 傳統的嶺回歸：

???

? 根據representer theorem（表示定理），這個優化問題可以寫為：

???

? 本文提出了一個新穎的核函數，考慮了兩個樣本之間的所有的patches之間的相似度（這里表示權重）：

???

? 通過變形，可以將問題變為（這里表示權重向量）：

???

? 把函數中響應項單獨拿出來，可以寫成以下形式：

???

? 這里A、B、C分別對應下圖中的一個模塊。

???

?

? Spatial-Aware CNN：CNN with Spatially Regularized Kernels（CNNSRK）

? 通過在卷積層中加入spatial正則項，使模型考慮spatial信息（進過卷積層后除了focus的位置，其他均置0）：

???

? 上式即為一個卷積層的操作，即為我們加入的spatial正則項，為卷積操作。

? 訓練階段模型結構：

???

? 測試階段模型結構：

???

?

? 最終tracking時要結合這兩部分：

???

總結

以上是生活随笔為你收集整理的CVPR 2018 LSART:《Learning Spatial-Aware Regressions for Visual Tracking》论文笔记的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。