KLTトラッカーでの逆ヘッセ行列の固有値の解釈
私は修士課程の学生で、コンピュータービジョンのセミナーを準備しています。トピックには、Kanade-Lucas-Tomasi（KLT）トラッカーがあります。 J. Shi、C。Tomasi、「追跡する優れた機能」。Proceedings CVPR '94。 KLTトラッカーを理解するために使用しているWebリソースを次に示します。私は線形代数に少しさびていて、コンピュータービジョンの経験がないので、数学の助けが必要です。 この式ではΔpΔp\Delta p（概要ステップ5）、ヘッシアン逆に注意してください。 Δp=H−1Σx[∇I∂W∂p]T[T(x)−I(W(x;p))]Δp=H−1Σx[∇I∂W∂p]T[T(x)−I(W(x;p))]\Delta p = H^{-1}\Sigma_x\left[\nabla I \frac{\partial W}{\partial p}\right]^\mathsf{T} \left[T(x) − I(W(x; p))\right] min(λ1,λ2)>thresholdmin(λ1,λ2)>threshold\min(\lambda_1,\lambda_2)>threshold 直感は、これがコーナーを表すということです。Tわかった。それは固有値と何の関係がありますか？ヘッセ行列の値が低い場合、変化はなく、コーナーではないと思います。彼らが高い場合、それはコーナーです。KLTトラッカーの反復全体でΔpΔp\Delta pを決定するために、逆ヘッセ行列の固有値でコーナーネスの直感がどのように作用するかを知っている人はいますか？ 逆ヘッセ行列が画像共分散行列に相関すると主張するリソースを見つけることができました。さらに、画像の共分散は強度の変化を示しており、それは理にかなっています...しかし、私は画像共分散行列が正確に何であるかを見つけることができませんでした。ベクトルまたは画像のコレクションではありません。 また、固有値には主成分分析で意味があるため、画像共分散行列のアイデアを得ることができますが、これは通常画像に適用されるため、これをヘッシアンに適用する方法がわかりません。私が理解する限り、ヘッセ行列は、特定の位置で、、およびの2次導関数を定義する行列です。2×22×22\times 2xxxyyyxyxyxy(x,y)(x,y)(x,y) 私は3日以上それを続けてきたので、これに役立つことを本当に感謝します、それはほんの1つの小さな式であり、時間が不足しています。