相关滤波类跟踪概述（不断更新）

一：深度特征+相关滤波
代表：SRDCF, C-COT, ECO , DeepSRDCF, STRCF, UPDAT
UPDAT
UPDAT在ECO基础上改进。论文贡献：
①以经典深度学习网络作为backbone，深浅特征区别对待。（浅层特征使用HOG+CN，深层网络使用ResNet 50中的第四个Conv_block输出的feature）论文列出两种trick分别对深层和浅层的影响。

（一）Data Augmentation。浅层特征主要提取文理颜色等特征，对外观形变等影响很大，深层特征主要提取语义特征，对外观形变等具有很强的鲁棒性，对深层特征进行数据增强处理，实验证明能够提升AUC，而对浅层进行数据增强反而会降低AUC。


ECO
ECO是在C-COT基础上改进的。主要是将C-COT的连续空间域卷积操作发扬光大，并且简化模型，提高速度。ECO的速度是C-COT的60倍！基本能够实时。论文贡献之处：
①提出一种新的卷积操作：Factorized Convolution Operator，目的为了减少参数，减少模型复杂度。

②构建一种新的样本生成模型，目的简化训练样本。

传统的样本采集方式为，每一帧采集，会导致相邻帧之间的样本相似度很高，容易造成模型过拟合。ECO采用GMM生成不同的样本组，组内之间样本相似度很高，组与组之间相似度很低。
③模型更新策略.
不是每一帧都更新模型，采用隔帧更新的策略。

C-COT
由（Discriminative Correlation Filter）DCF演进，在SRDCF框架下改进。特点：效果好而速度慢，官方公开的速度1.06fps。使用原始彩色图像（3通道），VGG第一层，VGG第五层，一共5个通道特征，