论文笔记之ECO

ECO: Efficient ConvolutionOperators for Tracking

发表于CVPR2017

作者主页，内含论文下载链接、程序http://www.cvl.isy.liu.se/research/objrec/visualtracking/ecotrack/index.html

 

近年来，基于判别式相关滤波的方法极大的提高了跟踪的水平。但是，这类方法在追求跟踪性能的同时，忽略了跟踪速度和实时性。越来越多伴随着大量参数的复杂模型带来了过拟合的风险。作者提出一种有效算法来解决导致计算复杂和过拟合问题，主要从以下三个方面入手：

模型大小

利用深度特征，导致表观模型的参数增加，例如C-COT每次更新模型的时候大约要更新800,000个参数，由于训练样本的稀缺，这么多参数很容易导致模型过拟合，而且会带来大量的计算量，难以保证实时性。

训练集大小

先进的依赖于迭代优化的DCF跟踪器，包括C-COT，需要存储大量的训练样本。而实际上，内存的大小是有限的，尤其是特征维度特别高的时候，能存储的样本就更少了。节省内存一个典型的策略是抛弃旧样本，但这会导致模型过拟合于样本最近表观的改变，导致模型漂移。最主要的是大的训练集带来了计算负担。

模型更新

大多数基于DCF的跟踪器都采用了一种连续更新的策略，即每帧都更新。但是最新的工作（双胞胎网络）表明，没有任何的模型更新也能带来不错的性能。因此作者认为，对于先进的DCF类算法而言，连续的模型更新是对模型的过度更新，而且对目标表观的突然变化（比如目标遭受到尺度变化，形变，平面外旋转）很敏感，这种过度更新策略会带来：1. 过低的帧率，2. 模型鲁棒性的退化。