目标跟踪之ECO：Efficient Convolution Operators for Tracking

一. 相关滤波算法总结

       作者首先分析了 影响相关滤波算法效率 和 导致过拟合 的几个原因：

1）Model Size (模型大小）

     包括两个方面：

         － 模型层数，对应多分辨率 Sample，比如多层 CNN

         － 特征维度，对应庞大的 HOG or CNN特征图

      这里的效率影响是显而易见的，层数或特征越多，表现力越丰富，计算量也相应的线性增加（如C-COT需要在线学习800,000个参数）。

      另外，也是作者一直Focus的问题，复杂模型带来的Over-Fitting问题，导致准确度下降。

2）Training Set Size（训练集大小）

      训练集 是指所用到的训练数据，只用到上一帧的数据进行计算，效率就比较高；如果要用到之前若干帧的数据进行训练（比如加权平均），效率就会低。

      保留训练集的优点在于，仅仅通过 online learning 会导致新学到的特征出错（比如遮挡），不足以表达正确的对象。

      PS：DSST 仅用上一帧Sample训练，但是是通过和之前模型累加，保留了前面若干帧的信息，在兼顾 训练集 的基础上确保了效率。

3）Model Update（模型更新）

      理想情况下，我们希望每一帧都进行模型更新，实时特征更新能够保证准确性，但同样会带来效率负担，探讨间隔帧模式下的模型更新策略是提高效率的一个思路。

       

二. ECO 方法引入

       针对相关滤波算法存在的上述问题，作者提出了 ECO 方法。

       论文下载：Efficient Con