ECO文章阅读

Efficient Convolution Operator for Tracking

(更新中…)以下均为个人理解，如有错误，欢迎指正！

Abstract

DCF及其相关算法的缺陷：

1. 使用CNN特征，卷积过程耗时，实时性不好
2. 越来越复杂的模型，使得需要训练的参数变得非常多，容易造成过拟合

ECO针对计算复杂度和过拟合这两个问题，提出：

1. 一个被因式分解的卷积运算： 很大程度上减少了DCF模型中的参数
2. 一个用于生成训练样本分布的模型： 降低了存储和时间复杂度，同时提供更高质量的多样性样本
3. 一个保守的模型更新策略： 具有更好的鲁棒性和更低的复杂度

与C-COT相比：速度是20倍，EAO增长13%；
使用hand-crafted特征(OTB2015)：AUC=65%

Introduction

第一段：视觉跟踪概念+应用于哪些领域+两个评价标准精确度和鲁棒性

第二段：从DCF引出ECO

(1) DCF给跟踪算法带来哪些改善？优点是什么？

(2) 改进历程&#