ECO: Effiziente Faltungsoperatoren für die Verfolgung

In den letzten Jahren haben Methoden auf der Basis von Diskriminativen Korrelationsfiltern (DCF) den Stand der Technik im Bereich der Verfolgung erheblich verbessert. Allerdings ist in dem Streben nach ständig steigender Verfolgungsleistung ihre charakteristische Geschwindigkeit und Echtzeitfähigkeit allmählich verloren gegangen. Zudem haben die zunehmend komplexen Modelle mit einer großen Anzahl von trainierbaren Parametern das Risiko schwerwiegenden Überanpassens eingeführt. In dieser Arbeit adressieren wir die wesentlichen Ursachen für die Probleme der Rechenkomplexität und des Überanpassens, um gleichzeitig sowohl Geschwindigkeit als auch Leistung zu verbessern.Wir überarbeiten die Kernformulierung des DCF und führen ein: (i) faktorisiertes Faltungsoperator, das die Anzahl der Parameter im Modell drastisch reduziert; (ii) kompaktes generatives Modell der Trainingsbeispieleverteilung ein, das sowohl Speicher- als auch Zeitkomplexität erheblich verringert, während es eine bessere Vielfalt an Beispielen bietet; (iii) konservative Modellaktualisierungsstrategie ein, die eine verbesserte Robustheit und eine reduzierte Komplexität bietet. Wir führen umfassende Experimente auf vier Benchmarks durch: VOT2016, UAV123, OTB-2015 und TempleColor. Bei Verwendung teurer tiefer Merkmale liefert unser Tracker eine 20-fache Geschwindigkeitssteigerung und erreicht einen relativen Gewinn von 13,0 % im erwarteten durchschnittlichen Overlap verglichen mit der besten Methode des VOT2016-Challenges. Darüber hinaus operiert unsere schnelle Variante, die handgefertigte Merkmale verwendet, bei 60 Hz auf einem einzelnen CPU, während sie auf OTB-2015 einen AUC-Wert von 65,0 % erzielt.