복잡한 추적기의 부담
더 많은 특징과 학습 표본은 표현력을 높일 수 있지만 계산량과 저장 부담도 늘린다. 매개변수가 많아지면 적은 온라인 관측에 과적합할 위험도 생긴다. ECO는 상관 필터 추적의 구조와 표본 관리를 함께 줄이는 접근이다.
모델과 표본의 압축
합성곱 연산자를 분해해 모델의 매개변수를 줄이고 학습 표본의 분포를 간결한 생성 모형으로 표현한다. 단순히 최근 한 프레임만 남기는 것과는 목적이 다르다. 표본의 다양성을 유지하면서 중복 및 계산 부담을 다루려는 구성이다.
중복 관측의 예
설명용으로 거의 같은 배경에서 얻은 표본 90개와 다른 외형 조건의 표본 10개를 생각하자. 무작정 앞의 표본을 많이 보관하면 100개라는 수에 비해 정보의 다양성이 낮을 수 있다. 이는 실제 생성 모형의 군집 수나 저장 규칙을 지정한 예가 아니다.
보수적인 갱신의 의미
모델을 계속 급하게 바꾸면 잘못된 관측에도 쉽게 적응할 수 있다. 반대로 너무 적게 갱신하면 실제 외형 변화를 놓칠 수 있다. ECO의 갱신 전략과 표본 및 연산자 구성을 함께 평가해야 하며 특징 추출 비용까지 포함해 정확도, 메모리와 지연을 비교한다.