Abstract In recent years, Discriminative Correlation Filter (DCF) based tracking methods have achieved impressive performance in visual tracking. However, their excellent performance usually comes at the cost of sacrificing the computational speed. Furthermore, training correlation filters using high dimensional raw features may introduce the risk of severe over-fitting. To address the above issues, we propose Spatio-Temporal adaptive and Channel selective Correlation Filters (STCCF) for robust tracking. Specifically, we first select a set of target-specific features from high dimensional features via an effective channel selective scheme based on the Taylor expansion. Then, we reformulate the filter learning problem from ridge regression to elastic net regression to adaptively select the discriminative features inside the target bounding box at the spatial level. Moreover, we constrain the filters to be adaptive across temporal frames by learning a transformation matrix from the initial filters to the previous filters. In particular, with a specific spatio-temporal-channel constraint, STCCF can not only alleviate the over-fitting problem and reduce the computational cost, but also enhance the discriminability and interpretability of the learned filters. The proposed STCCF can be optimized by using a few iterations of Alternating Direction Method of Multipliers (ADMM). Experiments on six challenging datasets show that STCCF can achieve promising performance with fast running speed.

中文翻译：

---

通过时空自适应和通道选择性相关滤波器的鲁棒视觉跟踪

摘要 近年来，基于判别相关滤波器（DCF）的跟踪方法在视觉跟踪方面取得了令人瞩目的成绩。然而，它们出色的性能通常是以牺牲计算速度为代价的。此外，使用高维原始特征训练相关滤波器可能会引入严重过拟合的风险。为了解决上述问题，我们提出了用于稳健跟踪的时空自适应和信道选择性相关滤波器（STCCF）。具体来说，我们首先通过基于泰勒展开的有效通道选择方案从高维特征中选择一组特定于目标的特征。然后，我们将过滤器学习问题从岭回归重新表述为弹性网络回归，以在空间级别自适应地选择目标边界框内的判别特征。此外，我们通过学习从初始过滤器到先前过滤器的变换矩阵，将过滤器约束为跨时间帧自适应。特别是，在特定的时空通道约束下，STCCF 不仅可以缓解过拟合问题并降低计算成本，还可以增强学习到的滤波器的可辨别性和可解释性。可以通过使用乘法器交替方向方法（ADMM）的几次迭代来优化所提出的 STCCF。在六个具有挑战性的数据集上的实验表明，STCCF 可以以快速的运行速度实现有希望的性能。我们通过学习从初始过滤器到前一个过滤器的变换矩阵，将过滤器限制为跨时间帧自适应。特别是，在特定的时空通道约束下，STCCF 不仅可以缓解过拟合问题并降低计算成本，还可以增强学习到的滤波器的可辨别性和可解释性。可以通过使用乘法器交替方向方法（ADMM）的几次迭代来优化所提出的 STCCF。在六个具有挑战性的数据集上的实验表明，STCCF 可以以快速的运行速度实现有希望的性能。我们通过学习从初始过滤器到前一个过滤器的变换矩阵，将过滤器限制为跨时间帧自适应。特别是，在特定的时空通道约束下，STCCF 不仅可以缓解过拟合问题并降低计算成本，还可以增强学习到的滤波器的可辨别性和可解释性。可以通过使用乘法器交替方向方法（ADMM）的几次迭代来优化所提出的 STCCF。在六个具有挑战性的数据集上进行的实验表明，STCCF 可以以快速的运行速度实现良好的性能。STCCF 不仅可以缓解过拟合问题，降低计算成本，还可以增强学习到的滤波器的可辨别性和可解释性。可以通过使用乘法器交替方向方法（ADMM）的几次迭代来优化所提出的 STCCF。在六个具有挑战性的数据集上进行的实验表明，STCCF 可以以快速的运行速度实现良好的性能。STCCF 不仅可以缓解过拟合问题，降低计算成本，还可以增强学习到的滤波器的可辨别性和可解释性。可以通过使用乘法器交替方向方法（ADMM）的几次迭代来优化所提出的 STCCF。在六个具有挑战性的数据集上进行的实验表明，STCCF 可以以快速的运行速度实现良好的性能。