ECO个人笔记

ECO

由于大量训练模型引入过度拟合的风险，本论文解决计算复杂性和过拟合问题
同时提出高速度和性能

---

其中DCF公式：

1.因子分解解决算子，减少模型的参数数量。
2.训练样本分布的紧凑生成模型，显著降低了存储和时间复杂度。
3.具有改进的鲁棒性和降低的复杂性的保守模型更新策略

测试VOT2016，UAV123,OTB-2015和TempleColor

---

改进：

1.模型大小：高维特征图的集成导致外观模型参数的数量增加，超过了输入图像的维度。容易过拟合
2.训练集大小：需要存储大量的训练样本集，依赖迭代优化算法。
3.模型更新：基于DCF的跟踪器，每一帧严格跟新。（卷积）

---

提出：

1.引入一个因子分解卷积算子，减少DCF模型参数数量。
2.有效模型更新策略，提速和鲁棒性。

---

C-COT

采用连续卷积算子跟踪器作为基线
C-COT优点：
1.多分辨率特征图的自然集成，在连续域中卷积实现。提供了独立选择每个视觉特征的单元尺寸的灵活性，不需要明确重新采样。
2.作为连续函数直接获取目标的预测检测分数，实现精确的亚网格定位.

---

方法：

1.分解卷积方法，减少模型参数
2.采用高斯-牛顿并使用共轭梯度法来优化二次子问题，获取新的滤波器和矩阵增量。
3.提出样本集的紧凑生成模型。
由于连续的样本组成，以及外观的缓慢变化，造成冗余，该文采用高斯分量的混合，降低过拟合的风险。
4.使用更加稀疏的更新方案，只有当目标发生足够的变化时，才开始优化。（避免明确地检测目标的变化，并且通过在每一帧中开始优化过程来简单地更新过滤器。）
5.向训练样本添加新的小批量，不是仅添加单个样本。（通过CG算法适应在线跟踪来实现更快收敛）