Speed Up Tracking by Ignoring Features
CVPR 2014
Abstract：本文提出一種特征選擇的算法，來實作用最“精簡”的特征以進行目标跟蹤。重點是提出一種上界 （Upper Bound）來表示一塊區域包含目标物體的機率，并且忽略掉這個 bound比較小的區域。我們的實驗表明，忽略掉 90%的特征，仍然取得了不錯的結果（未損失精度）。
Ignoring Features in Tracking .
基于滑動視窗的跟蹤器，計算大量的 bounding-box 和 target object 之間的相似性，并且傳回最大相應的位置，作為跟蹤的結果。有兩種屬性，可以用于提升該類算法的速度：
（1）the score they compute is defined as the sum of a bias b and inner product between the object model W and the features X extracted from bounding box B ;
（2）the individual feature values can be upper and lower bounds for popular features including HOG features, LBP and Haar features.
本文提出的 feature ignoring tracker （FIT）探索了上述兩種屬性，目的是發現具有最高響應值的位置，而對于大部分 bbox 來說都不計算其全部得分。
FIT 扔掉了具有較小機會得到最高score 的 Bbox，after only a small subset of the feature is considered。
FIT 通過如下的過程，完成該目标：
（1）Upper bounding the probability that a bounding box can attain the highest score, considering the part of the inner product currently computed ;
（2）discarding bounding box for which this probability is below some threshold .
FIT 對物體表觀模型 w 進行排序，具有最高絕對權重 的特征 x 最先被考慮。（排序操作僅僅執行一次，進而不影響 tracker 的跟蹤效率）；
接下來，FIT 基于前 d features 計算所有可能 Bbox 的subscore。
我們選擇具有最大 subscore 的 Bbox 作為第一個候選區域，然後計算這個 Bbox 裡面的全部得分。
為了确定是否我們仍然需要考慮任意的其他的 Bbox B 的 更多 feature，我們計算 Bbox B 仍然可能會得到更高得分的機率，相比較剛剛標明的候選 Bbox ：
但是這個機率在沒有特征分布 P(x) 的前提下是無法計算的。 但是 給定 Bbox B 劃定一個得到比預定的 Bbox 更高得分的機率是可能的：
where expectation is over the part of the bounding box score that has not yet been computed .
重要的是，公式 2 的上界可以有效的進行計算，因為 w 當中的元素是 sort 之後的，我們該 feature 的 upper and lower bound ，u and l. 特别的，公式 2 可以計算如下：
注意到，w 當中正樣本和負樣本的個數可以通過離線的計算得到，并且存儲 d 的每一個值，分母當中的每一項都是預先計算好的。是以，公式 2 當中 Bbox B 的上界的時間複雜度為 O (1)。
FIT 接下來通過計算 公式 2 的 Upper Boun，然後扔掉所有的 Bbox ，其 upper bound 小于設定的門檻值的時候。接着，剩餘的 Bbox 的 subscore 通過添加新的 feature 子集進行更新，實際的 score 是基于更新的 subscore 得到最可靠的位置，Bbox 的score小于門檻值的，則會被扔掉。重複疊代此過程，直到隻剩下一個 Bbox 或者 所有的特征都用于計算 Bbox 的 score。僞代碼見下圖：
總結：