? 理解出錯之處望不吝指正。

? 以下內(nèi)容部分摘自https://zhuanlan.zhihu.com/p/24971525，在這個鏈接里可以看到公式推導~

? 本文模型叫做ECO，是對C-COT模型的改進，出發(fā)點是提高時間效率和空間效率。作者分析了模型速度慢的三個原因，也就是本文的動機：

? （1）.模型大小。可以理解為特征的復雜度。比如說C-COT用了CNN+HOG+CN這樣非常全面的特征組合，它每次更新模型的時候，需要更新的參數(shù)有800000個，速度當然很慢，而且易引起過擬合；

? （2）.訓練集大小。這里所指的訓練集是指保存了每一幀的跟蹤結果的訓練集，也就是說，每一次進行model update的時候，要用在這一幀之前所有跟蹤到的樣本。那么隨著視頻越來越長，這個訓練集就會越來越大。那么一般的解決方案是保存比較新的樣本，丟棄老的樣本，具體策略每個方法都不一樣。這樣一來，模型還是容易過擬合。因為當目標被遮擋或者丟失的時候，比較新的這些樣本本身就是錯的，那么模型很容易有model drift，就是被背景或者錯誤的目標污染，導致跟蹤結果出錯。另外，樣本集的保存也會使得空間效率低下，增加計算負擔；

? （3）.模型更新。模型如果每幀都更新，速度肯定比間歇更新要慢。另外每幀都更新也會帶來model drift問題。

? ?針對上述三個問題，作者分別采取了不同的應對策略。

? （1）.模型大小 - A Factorized Convolution Operator

? ECO在特征提取上做了簡化，用了原來特征的子集，從D維的特征中選了其中的C維。

? C-COT是每個維度的特征對應一個濾波器，D維的特征就有D個濾波器，其實很多濾波器的貢獻很小。C-COT的大部分濾波器的能量很小，而ECO只選擇其中貢獻較多的C個濾波器，C<D，然后每一維特征用這C個濾波器的線性組合來表示。

? 如何對特征進行組合？作者這里使用一個的矩陣來表示線性組合的系數(shù)，這個矩陣是通過學習得到的。

? （2）.訓練集大小 - A Compact Generative Model

? 圖中下面一行是傳統(tǒng)的訓練集，每更新一幀就加一個進來，那么連續(xù)的數(shù)幀后訓練集里面的樣本都是高度相似的，即容易對最近的數(shù)幀樣本過擬合。

? 上面一行是ECO的做法，ECO用了高斯混合模型(GMM)來生成不同的component，每一個component基本就對應一組比較相似的樣本，不同的component之間有較大的差異性。隨著時間推移，計算和存儲樣本之間的差異，差異小的將替換掉，保證存儲的樣本的多樣性。

? （3）.模型更新 - A Conservative Model Update Strategy

? ECO這里的做法很簡單，就是簡單地規(guī)定每隔幀更新一次。注意這里的只是對模型的更新，樣本的更新是每一幀都要做的。最后的實驗中，設置為6。

? 模型更新頻率降低，節(jié)約了時間，并且可以避免模型的漂移問題，一定程度上可以改進效果，但是也不可以把取得太大，否則會使得模型跟不上目標的變化。

總結

以上是生活随笔為你收集整理的CVPR 2017 ECO:《ECO: Efficient Convolution Operators for Tracking》论文笔记的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。