【ECO】Efficient Convolution Operators for Tracking阅读笔记

Abstract：

基于DCF的方法在跟踪领域有着领先优势，但是对跟踪性能的追求，使得跟踪速度和实时能力下降。复杂的模型带来大量可训练的参数，增加了过拟合的风险。这篇论文的工作解决了计算复杂度与过拟合这个主要问题，目的是同时提高性能和速度。

引进了以下创新：

（1）因式分解卷积算子，减少了模型中的参数数量

（2）训练样本集的紧凑生成模型，降低了内存和时间复杂度，能提供更好的样本多样性

（3）一种保守的模型更新策略，提升鲁棒性，减小计算量

 

1. Introduction

（略）

 

1.1. Motivation

三个关键因素：

（1）model size ：高维的特征图谱融合会使得表观模型参数急剧增加，会很容易带来过拟合，并且会增加计算放入复杂性，降低跟踪速度

（2）Training set size：先进的DCF跟踪器需要大量的训练集来进行迭代优化。然而内存容量是有限的，特别是使用高维的特征时，常用的方法是丢弃旧的样本，但会使得对最近的表观变化过拟合，从而带来模型漂移，同时也会增加计算的负担。

（3）model update：大多DCF方法采取连续的学习策略，最近的使用Siamese networks的方法不使用任何模型更新，带来了较好的跟踪效果。目前先进的DCF算法中采取的连续更新模式会对突如其来的变化过度敏感，例如：尺度变化、形变，出视野、旋转等。过度的更新策略会降低帧率，对最近的帧过拟合会使鲁棒性降低。

 

1.2. Contributions

（略，同Abstract）

 

2. Baseline Approach: C-COT

不同于其他的DCF方法，（C-COT作者）Danelljan提出了在连续空间域中学习滤波器。C-COT中有两点优势与我们的工作相关。

第一点是通过在连续空间域执行卷积，得到的多分辨率特征图的自然融合。这提供了在每一个视觉特性上可以独立的灵活选用cell的尺寸，而不再需要重新采样。第二点是，对目标预测的检测分数通过连续函数获得，可得到准确的子窗口的位置。

这里简单介绍一下C-COT的公式，C-COT基于M个训练样本集学习一个卷积滤波器，不像传统的DCF，每一个特征层有独立的解。特征图谱通过引入一个插值模型，转换到连续空间域，由运算符执行：

此处