ECO: トラッキング用効率的な畳み込み演算子

近年、判別相関フィルタ（Discriminative Correlation Filter, DCF）を基にした手法は、追跡技術の最先端を大きく前進させました。しかし、追跡性能のさらなる向上を目指す過程で、その特徴的な速度とリアルタイム処理能力が徐々に失われています。さらに、大量の学習可能なパラメータを持つ複雑なモデルが導入され、深刻な過学習のリスクが高まっています。本研究では、計算量の増大と過学習の主な原因に取り組み、速度と性能を同時に向上させることが目的です。我々はDCFの基本的な定式化を見直し、以下の要素を導入します。(i) パラメータ数を大幅に削減する因子分解畳み込み演算子；(ii) 訓練サンプル分布のコンパクトな生成モデル，これによりメモリと時間の複雑さが大幅に削減されるとともに、サンプルの多様性が向上します；(iii) 安定性が向上し、複雑さが低減される保守的なモデル更新戦略。4つのベンチマーク（VOT2016, UAV123, OTB-2015, TempleColor）において包括的な実験を行いました。高コストな深層特徴を使用する場合、我々の追跡器はVOT2016チャレンジでトップランクの方法よりも20倍速く動作し、期待平均重なり率（Expected Average Overlap）で13.0%の相対的な改善を達成しました。さらに、手作り特徴を使用する高速バリアントは単一CPU上で60 Hzで動作し、OTB-2015において65.0%のAUCを得ています。