1.KCF
使用目标周围区域的循环矩阵采集正负样本,利用脊回归训练目标检测器,并成功的利用循环矩阵在傅里叶空间可对角化的性质将矩阵的运算转化为向量的Hadamad积,即元素的点乘,大大降低了运算量,提高了运算速度,使算法满足实时性要求。
2.CFNet


代码:https://github.com/bertinetto/cfnet

结合传统的DCF进行对比,DCF就是线性核的KCF,DCF分为训练和检测两步,训练时用最小二乘法解一个岭回归问题把CF模板w求出来,检测时w和搜索域的patch卷积就得到了response,所以CFNet的原版SiameseFC没有训练直接把目标和搜索域做相关,比较naive,所以CFNet把DCF的一套都整合到了网络中,是一个端到端的模型,由于加入了最小二乘的思想所以浅层也能有不错的性能,但是这样做的问题是把CF的边界问题也带到网络中去了,所以作者又加了crop层仅保留中间的一部分,这就把边界效应降低了。
网友评论