物体跟踪-CVPR16-tracking[上]

做了一段时间的跟踪，最近CVPR大会也过了一段时间了，这次将CVPR2016跟踪的文章做一次总结，主要是对paper的方法，创新，改进等方面进行介绍和总结。具体的实现细节不进行总结，

今年来涌现了很多做跟踪的文章，但是目前多少的方法很难达到一个预期的效果。目前的跟踪主要有主要有如下几大难题：

1. 解决快速移动问题。这个问题其实是算法速度的问题，通常的做法是在一个搜索区域进行跟踪，这样对快速移动物体的鲁棒性较低，如果索索区域越大，算法耗时，怎么权衡这两者的关系是一大难题。
2. 解决遮挡，形变问题。由于跟踪问题online的样本太少，当物体遮挡，形变后,比较难跟踪。遮挡的情况有多种，要解决的是一个综合问题。目前深度学习的方法因对遮挡的效果明显比传统的算法好，但是速度是一大瓶颈。
3. 速度问题。速度问题可以说是与上述两个问题互斥，最后都是各个问题的综合权衡。一般来讲，传统的算法速度比基于深度学习的方法快，但效果却不及。

今年的CVPR2016中，其实好多文章很早网上就有了，在这了也是对以前的一个总结。

一，Adaptive Decontamination of the Training Set:A Unified Formulation for Discriminative Visual Tracking

这篇文章的作者为SRDCF的作者，主要解决从训练样本进行改进。效果提升不少。

• 特点：
  • 利用样本的quality来训练样本的权重。期望提高有较高quality的样本的impact,降低较差样本的影响。
  • 将样本的quality融合到现有的loss function,从而达到同时训练求解。
  • 效果.和SRDCF相比，在OTB15数据集IoU=0.5时，OPE提升从60.5%提升到63.4%，也不错，而且该思想可以用到很多算法上，扩展性较强。
    

其实本文的想法很简单，可信度越高的训练样本，给较高的权重，相反则降低。这种思想很多地方都有，关键是怎么设计loss function达到作者的目的，在一个层面上，作者是第一个实现并结果尚佳的。相比以前，最简单粗暴的方法就是通过设定一个阈值,低于阈值的sample认为quality太低，直接舍弃，相反则保留，或者将score作为样本的权重。hard negative也是解决样本的其中一个流行方法。而本文作者的方法是，通过训练得到样本的权重。

• 作者设计的代价函数如下（求解：两步法，固定一个求另一个，然后固定另一个...交替循环求解）：