Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking---随笔

Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking

DCF跟踪算法因边界效应，鲁棒性较差。SRDCF通过引入空间正则参数有效地提升了跟踪性能，但是增加了算法地复杂性。SRDCF在更新网络参数的时候，需要利用多张图片，这无疑增加了算法地运行效率。本文针对SRDCF，引入temporal regularization让SRDCF可以利用一张图片进行更新网络层参数，这一举措可以增加算法地鲁棒性。本文通过ADMM提高了算法地运行速度。

SRDCF效率低的原因有三：

1、尺度评测

2、空间正则

3、在大量样本上训练

本文通过引入临时正则来只采用单张样本提升训练精度，PA与AMMD来加快整个训练的过程。

在目标外表发生很大的变化的时候，PA算法可以提供一个更鲁棒的模型。

本文的主要贡献如下：

1. 引入空间正则和临空间正则
2. ADMM算法极大地提高了跟踪速度
3. 采用手工特征的STRCF的可以达到实时的跟踪速度，并且跟踪性能很好。