这个工作是中科院王强博士的工作，也是第一个将特征提取网络和协同滤波网络级联风闸UN赶到一起进行端到端训练的文献，在后续先后出现了CREST、CFNet、FlowNet with temporal and spatial atttention等。

1. 论文的意义

判别滤波器目前是在线目标跟踪领域非常主流的方法。当前的发展方向主要是：

在传统DCF基础之上进行多核等研究
融合深度学习，从最开始的训练深度特征提取器到目前的基于网络的end-to-end设计
更加细致的研究spatial-temporal regularization

王强博士这篇文章对理解end-to-end的DCF设计具有很好的参考意义。

在这片文章中，作者设计了如图一的轻量级的网络机构，同时完成卷积特征提取过程和在线协同滤波跟踪。特别之处在于，在一个孪生网络中Siamese network，作者将判别协同滤波器看陈特殊的协同滤波器层 special correlation layer，王强博士也给出了详细的反向传播推导过程。因为推导仍然在傅里叶空间中进行，所以DCFNet保留了非常好的跟踪时效性（>60pfs）。

2.作者提出的网络框架

首先回顾了判别相关滤波器的基本原理，然后详细推导传播过程，最后作者介绍了在线跟踪过程，并从RNN的角度给出了一个合理的解释。

2.1. 判别式相关滤波器

在标准的判别式相关滤波器中，我们根据目标区域φ(x)∈M*N*D的特征 和期待的高斯分布响应 y∈M*N训练一个判别式的回归函数。那么，期待的滤波器w可以通过最小化脊损失（ridge loss）获得：

☆代表循环相关，正是因为循环相关可以在傅里叶空间内进行快速运算，所以DCF才会具有非常高的时间性能。λ是正则化系数。

上面的公式可以求解，为：

^代表傅里叶空间，*代表复共轭，圈点代表hadamard product。

一旦我们构建好了滤波器就可以直接用于检测了，在后续过程只需要关注滤波器的跟新就好了（如何更新也是DCF研究的重点方向）。在检测过程中，我们首先在新的一帧中剪裁寻找区域search patch，然后提取这个patch的特征φ(z)，通过定位滤波器的最大响应就可以估计目标在前后两帧的平移，具体为：

2.2 DCFNet 推导：反向传播过程

传统的基于DCF的跟踪器只能试探性的精修超参数，而本文提出的网络结构可以同时精修特征提取部分的超参数和DCF部分的超参数。就像图一的网络结构图所示，本文通过级联特征提取网络和DCF模块得到目标的位置响应。当给定搜索区域patch的特征φ(z)，目标响应~g应该在真实的目标位置得到一个更高的响应，所以目标函数可以设计为：