作者将DCF视为在Siamese网络中添加的相关滤波层，并通过将网络输出定义为跟踪目标位置的概率热图来推导反向传播。将特征提取网络和相关滤波网络一起进行端到端训练。
Abstract.
Discriminant Correlation Filters (DCF) based methods now become a kind of dominant approach to online object tracking.
基于DCF的跟踪方法已经成为一种主流的跟踪方法。
The features used in these methods, however, are either based on hand-crafted features like HoGs, or convolutional features trained independently from other tasks like image classification.
但是这类方法多采用手工特征（如HOG）或者在其他任务上(如图片分类)预训练的卷积特征。
In this work, we present an end-to-end lightweight network architecture, namely DCFNet, to learn the convolutional features and perform the correlation tracking process simultaneously.
本文作者提出了一种轻量级网络来学习卷积特征同时执行相关跟踪过程。
Specifically, we treat DCF as a special correlation filter layer added in a Siamese network, and carefully derive the backpropagation through it by defining the network output as the probability heatmap of object location.
具体来说，作者将DCF视为添加在Siamese网络中的作为相关滤波层，并通过将网络输出定义为目标位置的概率热图来推导它的反向传播。
Since the derivation is still carried out in Fourier frequency domain, the efficiency property of DCF is preserved.
由于仍是在傅里叶频域进行推导，因此保留了DCF的效率性质。
This enables our tracker to run at more than 60 FPS during test time, while achieving a significant accuracy gain compared with KCF using HoGs.
这使得跟踪器在测试期间可以运行超过60帧/秒，同时与使用HOG特征的KCF跟踪器相比，各种精度得到了显著的提高。
Extensive evaluations on OTB-2013, OTB-2015, and VOT2015 benchmarks demonstrate that the proposed DCFNet tracker is competitive with several state-ofthe- art trackers, while being more compact and much faster.
实验结果验证了算法的精度与速度。
Introduction.
在不知道目标类别的情况下，跟踪任意对象需要在线学习判别信息以实现高性能。尽管在跟踪检测范例中成功解决了问题，但由于物体变形，外观变化和严重遮挡等因素，它仍然是一个具有挑战性的问题。
利用多层手工特征，使用DCF的跟踪有了很大突破。在这个方向的trackers特征提取器和相关滤波器都是分离的。这证明了号的特征能够对下过起到作用。这之后的方法关注多层深度特征的融合。尽管提高了跟踪性能，这些卷积网络通常是为了图像分类任务或者是目标检测预训练的网络，不仅是手工选择的，而且负担重。
因为之前提到的方法中采用的特征和相关滤波过程是独立的，跟踪效果可能不是最优的。
在本文中，作者重新审视了基于DCF的跟踪器的特征提取。与采用现有特点的常见DCF方法不同，我们剖析了DCF的封闭形式解，发现很容易得到一个最适应DCF跟踪的学习特征的网络，并且是用端到端的方式，不需要手工干扰。这是通过将DCF作为一个特殊相关滤波层加入到孪生网络中，并且通过DCF推导向后传播实现。
Framework
提出的网络中包括一些卷积层，用来在离线训练过程中编码先验跟踪信息，并构造一个专属的特征提取器。在这之后是一个相关滤波层，通过将网络输出定义为目标位置的概率热图，它能完成在线学习和跟踪。为了降低计算成本，需要将卷积层设置为轻量级。
参考
1. DCFNet: Discriminant Correlation Filters Network for Visual Tracking （https://arxiv.org/pdf/1704.04057.pdf）
2. https://www.jianshu.com/p/40737e98ae49
3. https://blog.csdn.net/shenziheng1/article/details/80878290