視覚物体追跡のための差分相関フィルタ（Discriminative Correlation Filters: DCF）に基づく新しいグループ特徴選択手法（Group Feature Selection for DCF: GFS-DCF）を提案します。本手法の主要な革新点は、チャネルと空間次元の両方にわたるグループ特徴選択を行うことで、マルチチャネル特徴がフィルタリングシステムに持つ構造的な関連性を特定することです。一般的に使用されている空間正則化や特徴選択手法とは異なり、我々の知る限り、これはDCFベースの追跡においてチャネル選択が提唱される初めての事例です。我々は、深層ニューラルネットワーク特徴を備えたDCFトラッカーの性能がGFS-DCF手法によって大幅に向上することを示しています。さらに、GFS-DCFは特徴選択とフィルタ学習を同時に行うことができ、学習されたフィルターの識別力と解釈性を向上させます。性能向上のために、効率的な低ランク近似を使用して時間フレーム間でフィルターが平滑になるように制約を加えることで、履歴情報を適応的に統合します。設計上、追跡プロセス中で特定の一時的-空間的-チャネル構成が動的に学習され、関連する特徴が強調されるとともに、識別力の低い表現による性能低下の影響が軽減され、情報冗長性も削減されます。OTB2013, OTB2015, VOT2017, VOT2018, TrackingNetでの実験結果は、我々のGFS-DCF手法の優れた特性と最先端トラッカーに対する優位性を示しています。コードは公開されており、https://github.com/XU-TIANYANG/GFS-DCF から入手可能です。