ECO，深度学习和相关滤波的结合，精读，这个发现了不太行，终止

大佬笔记：
https://blog.csdn.net/qq_34919792/article/details/89893433

摘要

近年来，基于区分相关滤波器（DCF）的方法已大大提高了跟踪的最新水平。 然而，在追求不断提高的跟踪性能时，它们的特征速度和实时能力已逐渐消失。 此外，具有大量可训练参数的日益复杂的模型引入了严重过度拟合的风险。 在这项工作中，我们解决了计算复杂性和过拟合问题背后的关键原因，目的是同时提高速度和性能。
我们重新审视DCF的核心公式，并引入：
（i）一个分解卷积算子， 它大大减少了模型中的参数数量；
（ii）训练样本分布的紧凑生成模型，该模型显着降低了内存和时间的复杂性，同时提供了更好的样本多样性；
（iii）具有改进的鲁棒性和降低的复杂性的保守模型更新策略。

我们在四个基准上执行了全面的实验：VOT2016，UAV123，OTB-2015和TempleColor。 当使用昂贵的深层功能时，与VOT2016挑战中排名靠前的方法[12]相比，我们的跟踪器可提供20倍的加速，并在“预期平均重叠”方面实现13.0％的相对增益。 此外，我们的快速变体使用手工制作的功能，在单个CPU上以60 Hz的频率运行，而在OTB-2015上获得65.0％的AUC。

引言

通用视觉跟踪是计算机视觉中的基本问题之一。 仅在初始状态下，估计目标在图像