一、創新點

作者提出，單一追蹤器的效能不夠穩定，而從多個追蹤器的決策層得出的融合結果可以有效地提高魯棒性。因此，作者提出一個基於多線索相關濾波的追蹤演算法（MCCT），文章的主要貢獻如下：

• 提出了一個可以保留多條線索的追蹤演算法，在每一幀中演算法在眾多專家中挑選出一個最可靠的專家結果；
• 考慮到多個專家存在分歧，作者提出一個自適應更新策略，可以有效區分不可靠樣本（如遮擋或大幅度形變）從而減輕訓練樣本的汙染。
• 作者實現了MCCT演算法的兩個版本，用來驗證框架的一般性。

二、相關工作

• 相關濾波
• 融合追蹤，作者提出，已有的融合多個追蹤器的演算法存在一些侷限：
  
  1. 總體速度受到最低追蹤器的限制，此外，融合方法要分析前向和反向軌跡，這要求每個追蹤器至少要跑2次
  2. 追蹤器被認為是一個黑箱子，每一幀的融合結果沒有反饋給追蹤器，導致不能很好利用每一幀的融合輸出結果
  3. 如果追蹤器數目增加，計算負擔將大大增大

與上述追蹤演算法不同，作者提出的MCCT演算法
1. 所有的專家都是基於DCF，通過作者提出的投入產出比ROI和訓練樣本共享策略，演算法的高效性得到保證
2. 每一幀的追蹤結果都會反饋給專家們，以促進他們提升
3. 通過一個簡單但是高效魯棒的評估策略，用於選擇最可靠的專家，且計算複雜度只有O(TN)，T是幀數，N是專家數。

三、論文演算法

3.1 DCF框架

數學模型

模型訓練

模型測試

引數更新

3.2 特徵池和專家池

特徵池包含3種類型的特徵{低階、中級、高階}，其中

• 低階特徵：HOG
• 中級特徵：去除VGG-19全連線層，提取conv4-4的輸出
• 高階特徵：去除VGG-19全連線層，提取conv5-4的輸出

由特徵池對應的專家池裡共有 C13+C23+C33=7 $C_3^{}$

3.3 MCCT演算法

演算法流程圖

step1. 提取不同特徵的ROI，放在特徵池中
step2. 每個專家給出一個獨立的預測線索，挑選最靠譜的專家用於當前的追蹤
step3. 自適應更新策略，用於防止專家墮落（效能下降）