文章目錄

• 1. 主要貢獻
• 2. 方法
• 2.1模型
• 2.2優化
• 2.3 跟蹤框架
• 3 實驗

這是VOT18比賽中獲得優異成績的一個演算法，在short-term中EAO為第一，但是奇怪的為什麼沒有把第一頒給他，難道是作者為主辦方之一，從程式碼上來看使用的是BACF的框架，但是核心程式加密，不免有些疑惑，因為演算法上來看感覺不會有如此大的提升，下面來看看這篇論文， 論文專案地址， VOT專案地址， 論文地址，有不對的地方歡迎討論。

1. 主要貢獻

1. 對濾波器的約束用一範取代二範；
2. 正則項中加入歷史模型，期望得到的濾波器保留歷史的特性；
3. 以上兩點不算特別新，但是其中還有一個重要的設計，就是僅保留得到濾波器的5%到20%的引數，構成稀疏性，這樣不僅能加速求解，更能除去大部分干擾，使濾波器關注於目標部分從而可以使用更大的搜尋域，但是我對此方法的效能表示懷疑。

2. 方法

2.1模型

我認為作者極大程度受到BACF的影響，BACF使用了固定的MASK對特徵進行了選擇，所以這裡類似的使用了自適應的MASK，即空域上能量大的位置的特徵被保留，其餘都為0，作者設定僅保留5%~20%的空域位置，由於濾波器使用了線性核所以對特徵選擇即對濾波器模板 $\theta$

\theta 選擇,接著由於要進行稀疏選擇，那麼一範正則無疑是比二範更好的存在，因為一範約束能夠是最優解落在更稀疏的位置，具體大家可以看看機器學習一範正則的相關介紹。另一改動則是引入歷史模型 ${\theta }_{mod}$

e l {\theta}_{model} ，這個沒有什麼新奇的，很多人都用過， ${\theta}_{model}$即上一幀更新後的濾波器。稀疏選擇的部分沒有在最終的目標方程中體現出來，而是算完 $\theta$後人工選擇了濾波器5%~20%的空域位置。下面給出目標函式

2.2優化

使用的手工特徵包括HOG和CN等，設共有L層特徵通道，那麼可以將上面的目標函式拓展到多通道上，如下所示

因為有一範的存在，所以ADMM演算法是最合適的求解演算法，首先引入鬆弛變數如下

然後引入增廣拉格朗日乘子去掉約束項如下

這個L是凸的，直接應用ADMM迭代求解

其中H是 $\eta_i$多通道的組合。
下面迭代的過程的求解可以利用FFT加速的方法頻域求解，具體的公式就不貼了。作者隱藏的部分程式碼中就包含了 $\theta$的更新過程，我也簡單復現了ADMM部分求解的程式碼如下：

theta_N_f = bsxfun(@times, model_xf, conj(yf)) + lambda2 * theta_model_f + 1/2 * miu * thetap_f - 1/2 * H_f;
theta_D_f = model_xf .* conj(model_xf) + lambda2 + 1/2 * miu;
theta_f = theta_N_f ./ theta_D_f;
theta = real(ifft2(theta_f));
g = theta + H / miu; 
temp = 1 - lambda1./(miu * sum(g.*g,3));
temp(temp<0) = 0;         
thetap = bsxfun(@times, temp, g);
thetap_f = fft2(thetap);
H = H + miu * (theta - thetap);
H_f = fft2(H);
miu = min(rio * miu, miu_max);

2.3 跟蹤框架

整體的跟蹤框架和BACF類似，只是在濾波器求解上有區別，而且第一幀使用BACF的方法求解得到最初的 $\theta_{model}$，然後按照上一節的方法計算得到 $\theta$，再對空域位置的每一個點(包括了該點對應的所有通道的值)計算二範，即每個點處的能量，令能量小的都為0，這樣相當於對應的特徵位置也為0，從而實現了特徵選擇，然後按照傳統的CF濾波器更新方法進行更新 ${\theta}_{model} = (1-\alpha){\theta}_{model} +\alpha \theta$。
在尺度更新上作者選擇了fDSST的方法，且僅有5層，這點很奇怪，因為從實驗上看fDSST使用15層以上才會有可以接受的效能，而且VOT程式碼中使用了SAMF的尺度估計方法和論文中有出入。

3 實驗

大部分的引數和BACF保持一致，比如5倍搜尋域，對手工特徵選擇了前5%，對深度特徵選擇了前20%。
實驗效果看十分驚人，手工特徵的版本和深度特徵的版本在速度和精度上都全面超過了ECO，消融實驗中僅僅使用HOG特徵的LADCF在OTB100上也達到了驚人的64.3%，這已經超過了ECO-HC，最後貼上結果，希望作者能早日公開全部程式碼。