In den letzten Jahren haben Korrelationsfilter dominante und spektakuläre Ergebnisse bei der visuellen Objektverfolgung gezeigt. Die Art der in diesen Verfolgungsalgorithmen verwendeten Merkmale hat einen erheblichen Einfluss auf die Leistung der visuellen Verfolgung. Das ultimative Ziel ist es, robuste Merkmale zu nutzen, die invariant gegenüber jeglichen Erscheinungsänderungen des Objekts sind, während gleichzeitig die Position des Objekts so genau wie möglich vorhergesagt wird, als ob keine Erscheinungsänderungen stattgefunden hätten. Mit dem Aufkommen von tiefen Lernmethoden (Deep Learning) hat sich das Studium von für bestimmte Aufgaben geeigneten Merkmalen beschleunigt. So wurden z.B. diskriminative Verfolgungsmethoden basierend auf tiefen Architekturen mit vielversprechenden Ergebnissen untersucht. Dennoch beschränken sich Korrelationsfilter-basierte (CFB) Verfolger darauf, vortrainierte Netzwerke zu verwenden, die für das Problem der Objektklassifizierung trainiert wurden. In dieser Arbeit wird das Problem des Lernens tiefer vollständig konvolutiver Merkmale für CFB-Verfolgung formuliert. Um das vorgeschlagene Modell zu lernen, wird ein neuer und effizienter Backpropagation-Algorithmus präsentiert, der auf der Verlustfunktion des Netzwerks basiert. Der vorgeschlagene Lernrahmen ermöglicht es dem Netzwerkmodell, flexibel für eine individuelle Gestaltung zu sein. Zudem reduziert er die Abhängigkeit von Netzwerken, die für Klassifizierung trainiert wurden. Eine umfangreiche Leistungsanalyse zeigt die Effektivität des vorgeschlagenen individuellen Designs im Rahmen von CFB-Verfolgung. Durch Feinabstimmung der konvolutiven Teile eines aktuellen Netzwerks und Integration dieses Modells in einen CFB-Verfolger, der einer der besten von VOT2016 war, konnte eine Steigerung um 18 % bezüglich des erwarteten durchschnittlichen Überlappens erreicht werden und die Anzahl der Verfolgungsfehlschläge um 25 % reduziert werden, wobei gleichzeitig die Überlegenheit gegenüber den aktuellen Methoden in den Tracking-Datensätzen OTB-2013 und OTB-2015 gewahrt blieb.请注意，这里的翻译已经按照您的要求进行了调整，以符合德语的表达习惯和科技新闻或学术写作的语言风格。如果您有任何进一步的要求或需要更详细的解释，请随时告知。