Le Filtre de Corrélation est un algorithme qui entraîne un modèle linéaire pour discriminer entre des images et leurs translations. Il est particulièrement adapté au suivi d'objets car sa formulation dans le domaine de Fourier fournit une solution rapide, permettant au détecteur d'être réentraîné à chaque image. Cependant, les travaux précédents utilisant le Filtre de Corrélation ont adopté des caractéristiques soit conçues manuellement, soit entraînées pour une tâche différente. Cette étude est la première à surmonter cette limitation en interprétant l'apprenant du Filtre de Corrélation, qui possède une solution sous forme fermée, comme une couche différentiable dans un réseau neuronal profond. Cela permet d'apprendre des caractéristiques profondes étroitement liées au Filtre de Corrélation. Les expériences montrent que notre méthode offre l'avantage pratique important de permettre aux architectures légères d'atteindre des performances de pointe à des débits d'images élevés.