视觉跟踪---MEEM算法--eccv14

参考文献：eccv14_(MEEM)_Robust Tracking via Multiple Experts using Entropy Minimization

文献及源码网址：点击打开链接

说明：本文按照文献中的内容，对文章进行梳理和评论；凡是有ps的地方，表示是博主自己的想法

【摘要】：作者提出一种称为multi-expert restoration scheme的方法，来解决跟踪中出现的模型漂移问题（model drift problem）

【简介】：

       1 作者使用的是基于检测的框架（within a tracking-by-detection framework），也就是借助分类器来实现跟踪

       2 作者介绍了model shift的一些原因：Model drift occurs because factors like tracking failure, occlusions and misalignment of training samples can lead to bad model updates
   3 作者又指出，目前一些文献的解决方法，是给update增加一些判断机制，但是这些判断通常是基于目标运动和外形变化平滑的假设，所以在一些具有挑战性的场景下会失效，由此导致track 跟踪到背景，发生错误；（ps：所以需要非常具有鲁棒性的update判断机制，能够达到人类的判断能力）

       4 作者在此基础上提出一种解决办法：能够在错误的update发生后，修正它，correct it；作者称之为multi-expert tracking framework

       5 multi-expert tracking framework的原理：保存之前帧的一些tracker（总数不超过4个），组成一个专家组，对当前帧，专家组中的每一个tracker给出自己的预测结果，然后根据熵损失函数选择使用哪个tracker的预测结果，如果使用的不是当前帧的tracker，则将当前帧的tracker restore

   6 损失函数：在监督学习领域，损失函数是计算预测值与标签之间的差值，但是在online tracking领域，是没有label的；所以作者使用的是参考文献10中提出的熵正则化优化函数（entropy-regularized optimization function），来作为损失函数，也就是据此来选择一个expert

       7 作者的图1能很好的解释作者的思想：作者保存了250 300 350帧的tracker作为专家组的成员，然后根据损失函数计算374帧时4种tracker对374帧时红绿两个框的置信度分数，显然250帧时截取的目标，能够很好的区分red和green box，作者根据判决的明晰程度决定使用250帧的expert的预测结果

       7 the base tracker：作者使用的是online SVM算法，参考的文献26，但是不明白作者说的employing compact prototype sets是什么意思；作者使用的是线性核，参考文献19使用的特征映射技术

   8 作者总结了自己文章的贡献：在base tracker的基础上，使用了MEEM方法（MultiExpert Entropy Minimization (