1. 论文基本信息
- 论文标题:Discriminative Correlation Filter with Channel and Spatial Reliability
- 作者:Alan Lukezic等
- 出处:CVPR,2017
- 文章链接:https://arxiv.org/abs/1611.08461
- 补充材料:https://www.semanticscholar.org/paper/Discriminative-Correlation-Filter-with-Channel-and-Luke%C5%BEi%C4%8D-Voj%C4%B1-%C5%99/7b485979c75b46d8c194868c0e70890f4a0f0ede
- 源码链接:https://github.com/alanlukezic/csr-dcf
这篇笔记主要针对分割操作进行分析和理解,关于论文其他部分创新点及其整体思路会在后续文章中进行分析。
2. 似然和后验概率在论文中的作用
目前基于相关滤波的跟踪算法,主要存在三个方面的问题:
- 当前的相关滤波算法,由于FFT,导致滤波器尺寸与图像块尺寸必须一致,这样就限制了检测范围
- 当前的相关滤波算法,由于引入了循环矩阵,导致滤波器的训练数据并不真实
- 当前的相关滤波算法,只能支持矩形目标,与真实世界不符合
作者为解决上述问题,提出的创新点之一就是“空间置信”(Spatial Reliability),其主要思想是利用图像分割方法产生适应能力更好的蒙版(mask),这个空间置信图就是通过下面后验概率的求解得到的。
3. 具体建模和操作
文章这一部分涉及到的概念有:
- 贝叶斯
- Epanechnikov
- foregroundLikelihood/backgroundLikelihood
- 反向投影
- 后验概率
以求解目标的后验概率为例,根据论文源代码,其公式为
prob_o=p_o⋅foregr

这篇论文笔记探讨了CSR-DCF如何利用空间置信和后验概率解决相关滤波算法中的问题。作者提出的空间置信概念,通过图像分割产生更适应目标的蒙版,解决了滤波器尺寸限制、训练数据不真实及仅支持矩形目标等问题。论文采用贝叶斯公式结合Epanechnikov分布和反向投影计算后验概率,实现对不规则形状目标的自适应跟踪。
1万+

被折叠的 条评论
为什么被折叠?



