AutoTrack-CVPR2020

问题引出：

大多数现有的基于判别相关滤波器(DCF)的跟踪器试图引入预定义的正则化项来改善目标对象的学习，例如SRDCF在正则化项上引入了一个空间权重矩阵去惩罚目标区域外的滤波器系数，STRCF通过引入了时间正则化项使得滤波器可以在异常发生时（如遮挡）被动更新。由于这些正则项的引入，需要提前预定义很多的超参数，但是经过很多努力，这些超参数的微调仍然不能适应设计者没有想到的新情况。

本文创新点：

1，同时利用隐藏在响应图中的局部和全局信息，提出了一种新的时空正则化项

2，开发了一种新的基于DCF的跟踪器，它可以动态地自动调整时空正则化项的超参数

3，我们在278个困难的无人机图像序列上评估了我们的跟踪器，与当前基于CPU和GPU的

      跟踪器相比，评估验证了我们的跟踪器的一流性能

4，介绍了视觉目标跟踪在无人机定位中的一种新颖应用，并在实际场景中证明了其有效性

      和通用性

本文基准：STRCF

激励于被动攻击算法（PA）的思想，当异常发生时，前后两帧的滤波器系数差别较大，有可能产生漂移，所以被动更新滤波器，使其接近先前的滤波器系数，从而减少漂移，当没有发生异常时，前后两帧的滤波器系数差别不大，近乎为0，所以可以忽略最后一项，主动的学习滤波器。基于此，不用每帧都更新滤波器，只有当异常发生时才会更新。从而实现了时间可靠性。

STRCF的缺点：

1，固定的空间正则化不能解决不可预见的空中跟踪场景中的外观变。

2，不变的时间惩罚强度θ，这在所有情况下都不通用。

---

Automatic Spatio-Temporal Regularization：自动时空正则化（重点）

充分利用局部和全局响应变化来同时实现空间和时间正则化，以及自动和自适应的超参数优化

之所以用响应变化去实现正则化，是因为在检测过程中，隐藏在响应图中的信息是至关重要的，因为它的质量在某种程度上反映了在先前帧中学习的对象外观模型与在当前帧中检测到的实际对象之间的相似性

之所以同时利用局部和全局响应变化，是因为如果只使用全局响应图变化（如ARCF），那么就会忽略了目标图像中不同位置的可信度的局部响应变化，剧烈的局部变化意味着低可信度，反之亦然。

响应变化：

    首先，本文定义了一个局部响应变量：

 [ψ∆]是一个移位运算符，使得前后两帧响应图的峰值能够彼此重合，通常当异常发生时，相似性会突然下降，从而该式的值会很大。通过判断其值。变异很容易被识别。（ARCF在这一点有明确说明。

自动空间正则化：

       局部响应变量反应了当前帧局部位置每个像素的可信度，通过将其引入到空间正则化参数中，可以限制位于像素可信度低的滤波器的学习。

P用于裁剪对象所在的滤波器中心部分，类似于一个掩码矩阵，𝛿是δ是一个常数，相当于局部响应变量的权重，u继承至STRCF中的滤波器权重矩阵，用来减弱边界效应，类似于SRDCF的w矩阵，通过上式，利用空间惩罚，位于具有剧烈响应变化的像素处的滤波器将被部分地阻止学习新的外观模型。

自动时间正则化：

       在STRCF中，相邻两帧滤波器的变化率由一个固定值𝜃θ去惩罚，本文通过联合优化其值和滤波器，自适应地自动确定该超参数的值。

𝜁和𝜈ζ和ν是两个超参数，  是局部响应变量组成的向量，可以认为是全局响应变量。 当全局响应变量高于阈值𝜙ϕ时，响应图中存在异常，因此停止学习。如果它低于阈值，则响应图变化越剧烈，该值将越小，从而可以放松对相关滤波器的时间变化的限制，从而可以在诸如大的外观变化的情况下更快地学习。

 总结：

中心思想：

AutoTrack因为学习这些局部响应变化而受到惩罚，这样就可以避免局部分心。就全局变化而言，大的值可以指示错误的跟踪结果，其中我们停止相关滤波器的学习，而相对大的值应该加速相关滤波器的学习，从而可以提高适应性。

---

目标函数：

 

 采用ADMM迭代方法进行优化，具体推导可以参考STRCF公式推导原理相同。