최근 몇 년 동안, 상관 필터는 시각적 객체 추적에서 우수하고 뛰어난 결과를 보여주었습니다. 이러한 추적기 집합에서 사용되는 특성의 유형은 시각적 추적의 성능에 크게 영향을 미칩니다. 궁극적인 목표는 객체의 외관 변화에 관계없이 강건한 특성을 활용하여, 외관 변화가 없는 경우와 마찬가지로 객체 위치를 정확히 예측하는 것입니다. 딥러닝 기반 방법이 등장함에 따라 특정 작업을 위한 특성 학습 연구가 가속화되었습니다. 예를 들어, 딥 아키텍처 기반의 판별적 시각 추적 방법에 대한 연구는 성과가 기대됩니다. 그러나 상관 필터 기반(CFB) 추적기는 객체 분류 문제를 위해 사전 훈련된 네트워크만 사용하도록 제한되어 있습니다. 이에 본 논문에서는 CFB 시각 추적을 위해 깊은 완전 컨볼루션 특성을 학습하는 문제를 공식화하였습니다. 제안된 모델을 학습하기 위해, 네트워크 손실 함수를 기반으로 한 새로운 효율적인 역전파 알고리즘이 제시되었습니다. 제안된 학습 프레임워크는 네트워크 모델이 맞춤 설계에 유연하게 대응할 수 있도록 합니다. 또한, 분류를 위해 훈련된 네트워크에 대한 의존성을 줄입니다. 광범위한 성능 분석은 제안된 맞춤 설계가 CFB 추적 프레임워크에서 효과적임을 보여줍니다. 최신 네트워크의 컨볼루션 부분을 미세 조정(fine-tuning)하여 이를 CFB 추적기에 통합하면, VOT2016에서 최고 성능을 보인 추적기 중 하나에서 예상 평균 겹침률(expected average overlap)이 18% 증가하고, 추적 실패율이 25% 감소하며, OTB-2013 및 OTB-2015 추적 데이터셋에서 여전히 최신 방법론보다 우월한 성능을 유지합니다.