（论文阅读21/100）DeepTrack: Learning Discriminative Feature Representations Online for Robust Visual Trac

文献阅读笔记
简介	题目	DeepTrack: Learning Discriminative Feature Representations Online for Robust Visual Tracking
	作者	Hanxi Li, Yi Li, Fatih Porikli
	原文链接	arXiv:1503.00072.
	关键词	Object tracking algorithm
	研究问题	Object tracking algorithm
	研究方法	使用单个卷积神经网络( CNN )来学习目标对象的有效特征表示，以纯粹的在线方式。 方式：我们采用了一种基于检测的跟踪策略：一个四层的CNN模型来区分目标物体和周围的背景。我们的CNN对给定帧中物体位置(物体状态)的所有可能假设生成分数。然后选择得分最高的假设作为当前帧中物体状态的预测。我们以纯粹的在线方式更新这个CNN模型。也就是说，所提出的跟踪器只基于感兴趣目标的视频帧进行学习，不需要额外的信息或离线训练。 随机梯度下降法：优化cnn参数 应对偶尔检测到的假阳性：temporal sampling mechanism时间采样机制。object patches停留时间比background时间长。 目标位置的不确定性看作是标签噪声问题。 建议在时间变量(帧索引)和样本类的联合分布中对训练数据进行抽样。在这里，计算样本类的条件概率，给定帧索引，基于该帧中跟踪质量的新度量。 使用多个图像线索(低级图像特征，如归一化灰度图像和图像梯度)作为独立通道作为网络输入 通过迭代地独立训练每个通道来更新CNN参数，然后在融合层上进行联合训练，该融合层替换来自多个通道的最后一个完全连接层。 cnn模型只有在物体发生重大外观变化时才会更新。
	研究结论	introduce a novel truncated structural loss function：引进新的截断损失函数。保持更多样本损失并且减少累积误差。 增强了CNN训练中的普通随机梯度下降方法：通过稳健的样本选择机制。采样机制从不同的时间分布中随机产生正负样本，这些样本是通过考虑时间关系和标签噪声而产生的。 为CNN训练设计了一种懒惰但有效的更新方案：对视觉跟踪中长期存在的一些困难如遮挡或错误检测具有鲁棒性，而不会丢失对显著外观变化的有效适应。 超过了所有比较的先进方法。
	创新不足	还没看出来
	额外知识	drift problem：偏移问题。之所以会产生这个问题是因为干扰不足也就是负样本不足，造成网络对目标和背景没有很高的辨别能力。这里告诉我们负样本对于训练也很重要。