ECO: عُدّادات الت". 请注意，这里的翻译可能需要进一步完善以符合正式出版物的标准。"Efficient Convolution Operators for Tracking" 可以更准确地翻译为 "العُدّادات الفعالة للتقدير في تتبع الأهداف" 或 "مؤثرات التجميع الفعالة لتتبع الأهداف"，具体取决于上下文和技术术语的使用习惯。如果你有特定的偏好或领域术语，请告知我以便进行调整。

في السنوات الأخيرة، حققت طرق التصفية المرتبطة التمييزية (DCF) تقدماً كبيراً في مجال تتبع الأهداف. ومع ذلك، في السعي نحو تحسين أداء التتبع بشكل متزايد، فإن سرعتها وقدرتها على العمل في الوقت الحقيقي قد تراجعت تدريجياً. بالإضافة إلى ذلك، أدت النماذج المتزايدة التعقيد، والتي تحتوي على عدد ضخم من المعلمات القابلة للتدريب، إلى زيادة خطر الانحراف الشديد (over-fitting). في هذا البحث، نتناول الأسباب الرئيسية وراء مشكلتي التعقيد الحسابي والانحراف الشديد، بهدف تحسين السرعة والأداء بشكل متزامن.نعيد النظر في الصيغة الأساسية لـ DCF ونقدم: (i) مشغل convolesion مجزأ (factorized convolution operator)، الذي يقلل بشكل كبير من عدد المعلمات في النموذج؛ (ii) نموذج مولد مضغوط لتوزيع عينات التدريب، مما يقلل بشكل كبير من تعقيد الذاكرة والوقت مع توفير تنوع أفضل للعينات؛ (iii) استراتيجية تحديث نموذج حذرة توفر ثباتاً أفضل وتقلل من التعقيد. نقوم بإجراء تجارب شاملة على أربع مقاييس مرجعية: VOT2016 وUAV123 وOTB-2015 وTempleColor. عند استخدام الخصائص العميقة باهظة الثمن، يوفر نظام التتبع الخاص بنا سرعة أكبر بمقدار 20 مرة ويحقق زيادة نسبية قدرها 13.0% في معدل التداخل المتوقع مقارنة بالطريقة المرتبة الأولى في تحدي VOT2016. علاوة على ذلك، يعمل الإصدار السريع لنظامنا باستخدام الخصائص المصممة يدوياً بمعدل 60 هيرتز على معالج واحد فقط، بينما يحصل على نسبة صحة تصنيف قدرها 65.0% على OTB-2015.