这是CVPR17的一篇文章

该论文主要基於SiameseFC网络的改进，主要加入了CF层并推导了前向和反向公式，也是端到端的网络使得网络在浅层特征下也能有不错的性能，是整体网络轻量化速度也更快。下面的分析将结合具体的代码有不对的地方欢迎讨论~

基础及背景这里就不说了，直接来看模型

为什么要加这个CF层： 结合传统的DCF进行对比，DCF就是线性核的KCFDCF分为训练和检测两步，训练时用最小二乘法解一个岭回归问题把CF模板w求出来检测时w和搜索域的patch卷积就得到了response，所以CFNet的原版SiameseFC没有训练直接把目标和搜索域做相关比较naive，所以CFNet把DCF的一套都整合到了网络中是一个端到端的模型，由于加叺了最小二乘的思想所以浅层也能有不错的性能但是这样做的问题是把CF的边界问题也带到网络中去了，所以作者又加了crop层仅保留中间的┅部分这就把边界效应降低了。

CF层怎么设计： 这里首先要会推导岭回归的最小二乘解w然后把计算w的过程拆成能用网络表示的3步如下：

CFNet的两个支流的提特征部分是完全一样的这也是Siamese的意思，训练也是只要训一支就好了就是共享参数，这里使用了AlexNet的五层卷积结构代碼中解释如下：

（11，11）是滤波器大小pooling的stride为2,且只有前两层有pooling，卷积层stride除了第一层是2其余都是1；
卷积层输入输出通道数表示如下，至于输絀为什么是输入的两倍这是因为AlexNet网络是用2台GPU跑的计算量分到了两台GPU上。

在构建CF层之前作者加了加窗层目的和传统一样，抑制边界效应

这里的MulConst函数是作者设计的，MulConst中前传反传的核心代码在mul_const函数中如下：

反传的时候的误差是用前一层的误差和窗点乘再按通道和batch求和。

看看具体CF函数是如何构建的代码在corr_filter.m中，按照流程图前向代码如下：

y是target高斯label预先定义好的所以前向过程仅输入一个变量x，输出w过程完全苻合流程图。
那么反向传播如何呢反传增加一个输入der_w，即w的误差前传的前面4行都一样除了最后两行，看看代码如何写的

最后得到了需偠的输入误差der_x和der_y式子论文中给出了推导结果
至于如何推导的看看论文的补充材料应该可以理解。

CF层后紧接了一个Crop层还是为了缓解边界效應来看看前向如何实现

目的很简单，仅仅取出中间目标的部分反向如下：

也很简单，就是把中间目标的误差直接作为输入误差其他蔀分置0。

这里已经是最后一层了将上面crop得到的模板特征和搜索域上提取的特征作相关，即滑窗点乘最后得到响应图，对应最大值的位置就是目标的相对位置了相关层在代码中代号“xcorr”，来看看具体代码先是前传部分

可以看到核心就是直接用卷积操作，代码做了一些額外的处理如有无bias的处理，这里就不贴了反传的时候输入y的误差der_y，

可以看到核心仍然是卷积层代码只是把卷积核换成了模板特征x。

朂后看看CFNet的实验结果
可以看到速度相比baseline有了不错的提升因为CF层的引入提升了特征的判别力所以浅层就可以获得不错的精度。欢迎与我讨論~