差分相関フィルタ（DCF）は視覚追跡において効率的であるが、不要な境界効果に悩まされている。空間正則化DCF（SRDCF）は、この問題を解決するためにDCF係数に空間ペナルティを課すことにより提案されたが、これにより複雑さが増加する代償で追跡性能が向上している。オンライン更新の課題に対処するため、SRDCFは複数の訓練画像上でモデルを定式化しており、これが効率性の向上をさらに難しくしている。本研究では、単一サンプルのSRDCFに時間正則化を導入することで、我々の空間時間正則化相関フィルタ（STRCF）を提案する。オンラインパッシブアグレッシブ（PA）アルゴリズムの動機付けを受け、単一サンプルのSRDCFに時間正則化を導入し、結果として我々の空間時間正則化相関フィルタ（STRCF）が得られた。STRCFの定式化は、複数の訓練サンプルを使用したSRDCFへの合理的な近似不仅能提供，还能在外观变化较大的情况下比SRDCF提供更稳健的外观模型。さらに、交替方向乗数法（ADMM）によって効率的に解くことができる。時間と空間両方の正則化を取り入れることで、我々のSTRCFは効率性を大きく損なうことなく境界効果に対処でき、精度と速度においてSRDCFよりも優れた性能を達成できる。実験はOTB-2015, Temple-Color, およびVOT-2016という3つのベンチマークデータセットで行われた。手作業特徴量を使用した場合でも、STRCFはSRDCFに対して5倍の高速化を達成し、OTB-2015とTemple-ColorにおいてそれぞれAUCスコアで5.4%と3.6%の改善をもたらした。さらに、CNN特徴量と組み合わせたSTRCFも最先端のCNNベース追跡器に対して有利な性能を示し、OTB-2015においてAUCスコア68.3%を達成した。注：文中的“不仅能提供”部分可能需要根据上下文进行调整，以确保句子更加通顺和自然。以下是调整后的版本：差分相関フィルタ（DCF）は視覚追跡において効率的であるが、不要な境界効果に悩まされている。空間正則化DCF（SRDCF）は、この問題を解決するためにDCF係数に空間ペナルティを課すことにより提案されたが、これにより複雑さが増加する代償で追跡性能が向上している。オンライン更新の課題に対処するため、SRDCFは複数の訓練画像上でモデルを定式化しており、これが効率性の向上をさらに難しくしている。本研究では、単一サンプルのSRDCFに時間正則化を導入することで、我々の空間時間正則化相関フィルタ（STRCF）を提案する。オンラインパッシブアグレッシブ（PA）アルゴリズムに基づき、単一サンプルのSRDCFに時間正則化を導入し、結果として我々の空間時間正則化相関フィルタ（STRCF）が得られた。STRCFの定式化は複数の訓練サンプルを使用したSRDCFへの合理的な近似となりつつも、大きな外観変動の場合にはより堅牢な外観モデルを提供できるようになる。さらに、交替方向乗数法（ADMM）によって効率的に解くことができる。時間と空間両方の正則化を取り入れることで、我々のSTRCFは効率性を大きく損なうことなく境界効果に対処でき、精度と速度においてSRDCFよりも優れた性能を達成できる。実験はOTB-2015, Temple-Color, およびVOT-2016という3つのベンチマークデータセットで行われた。手作業特徴量を使用した場合でも、STRCFはSRDCFに対して5倍速くなりつつAUCスコアで5.4%と3.6%それぞれ改善した結果を得ている。またCNN特徴量との組み合わせでもSTRCFは最先端クラスの中でも優れた性能を見せておりOTB-2015でのAUCスコアでは68.3%という高い値を得ている。希望这个版本能更好地传达原文的意思并符合日语的表达习惯。希望这个版本能够更好地传达原文的意思并符合日语的表达习惯。修正后的最终版本如下：差分相関フィルタ（Discriminative Correlation Filters: DCF）は視覚追跡において効率的であるが、不要な境界効果に悩まされている。この問題に対処するために提案された空間正則化差分相関フィルタ（Spatially Regularized Discriminative Correlation Filters: SRDCF）では、DCFs の係数に空間的なペナルティを与えることで追跡性能が向上しているものの、その複雑さも増大してしまう。オンライン更新のために SRDCF では複数枚の訓練画像上でのモデル定式화が必要であり (model formulation)，これにより効率性向上への障壁となっている。本研究では，単一サンプルに対する SRDCF に時間を考慮した制約 (temporal regularization) を導入することにより，我々独自開発の一連様制約付き差分相関フィルタ (spatial-temporal regularized correlation filters: STRCF) を提案する．これは，オンラインパッシブ・アグレッシブ (Passive-Aggressive: PA) アルゴリズムから着想を得て，単一サンプルに対する SRDCFs へ時間を考慮した制約を取り入れたものである．提出された STRCFS の定式化解釈 (formulation) は，多様な訓練サンプルを持つ SRDCFs の合理的近似となるだけでなく，大きな外観変動がある場合にもより堅牢な外観モデル (appearance model) を提供することが可能となった．また，交替方向乗数法 (Alternating Direction Method of Multipliers: ADMM) を用いて高効率的に解くことが可能である．このようにして，時間制約と空間制約双方を取り入れた STRCFS では，計算コストの大増加なしに境界効果への対応ができ，精度や速度面での大幅な改善が見られる．具体的には以下の三つのベンチマークデータセット：OTB-2015, Temple-Color, VOT-2016 上で評価を行った．手作業による特徴量 (hand-crafted features) を使用した STRCFS では SRDCFs に対して最大5倍速くなりつつ AUC スコア (Area Under Curve score) において OTB-2015 および Temple-Color データセット上でそれぞれ 5.4%, 3.6% の改善があった．また CNN 特徴量 (CNN features) を使用した STRCFS も最先端クラスの中でも優れた性能を見せており OTB-2015 データセット上の AUC スコアでは 68.3% の高い値を得ている．