admm

Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking cvpr2018，哈工大的文章， 论文地址 ； 项目地址 Motivation 解决边界效应的SRDCF采用HOG特征跟踪速度只有6fps,原因主要为：空间正则化迭代求解，学习模型时依赖来自历史帧的大规模训练集。 1.SRDCF 的高复杂度主要来源于对多幅图像的训练形式，破坏了封闭解形式。通过去除约束条件，单图像样本上的 SRDCF 可以通过 ADMM 有效地解决，具有封闭解。 ADMM在相关滤波的应用 2.基于PA将时间正则化引入模型，更新时只需要当前帧和前一帧信息。 在线被动攻击学习（PA）） ； PA论文 Abstract DCF算法在跟踪领域具有高效的跟踪性能，但受限于边界效应的影响。SRDCF通过对DCF相关参数赋予空间惩罚项来解决边界效应问题，提高跟踪性能的同时提高了计算复杂度。对于在线更新问题，SRDCF 在多幅训练图像上建立模型，进一步增加了提高效率的难度。本文通过对SRDCF中的单样本进行时间正则化，提出一种时空正则化相关滤波器（STRCF）。STRCF不仅能够取得与多训练样本SRDCF的近似效果，且在目标外观具有大幅度变化时外观模型鲁棒性更强。此外STRCF能够通过ADMM方法求解

交替方向乘子法的自编码器――基于压缩自编码的ADMM修剪的隐式比特率优化 2019年 Haimeng Zhao 摘要： 本文介绍了一种采用交替方向乘子法(ADMM，Alternative Direction Method of Multipliers)的 ADMM剪枝压缩自动编码器 。具体来说，我们的方法中的 ADMM是为了提高稀疏性来隐式优化比特率，不同于以往研究中使用的熵估计器 。在公共数据集上的实验表明，该方法在SSIM/MS-SSIM指标上优于原CAE和部分传统编解码器，推理速度合理。 介绍： 对于目标函数不可微的问题， Theis[1]提出的一种熵编码和熵率估计的结合的方法，其中训练了一个参数化熵估计器与编码器/解码器。随着取上限过程和高斯尺度混合(GSMs)的运用，整个过程是可微分的。 作为上述方法的一种替代方法，我们用 乘子模块的交替方向法代替熵估计器 ，其中 对潜在编码的渐进剪枝促进了稀疏性 ，因此有助于比特率的优化。实验表明，在SSIM和MS-SSIM两种情况下，该 剪枝范式本身能够隐式地优化熵率 ，同时与原始CAE和其他传统编解码器相比，具有更好的效果。 相关工作： 熵估计模型包括：高斯尺度混合模型、生成模型、上下文模型。 对于非自编码方法的工作，人们对GAN[9]、GDN(广义分裂归一化)[5]和RNN[10]的使用也越来越感兴趣。传统的凸优化ADMM算法