MILTrack学习2-介绍部分

                          （2）在线多示例学习的鲁棒性目标追踪（MILTrack）—背景知识介绍

     作者在论文的背景知识（也就是前言）里面主要谈目标追踪的挑战（changes），目标追踪系统中的外观模型（appearance model）以及本论文关注的重点。

    1.目标追踪的挑战（changes）

    目标追踪在计算机视觉领域被长期研究，而且有很多的应用。但也存在一些问题和困难，例如缺乏目标的先验知识（个人理解是已知目标的一些固有特征）和被追踪目标的数量与参数（帧图像中的位置，尺度，轮廓等）。虽然已经建立了一些成功的追踪器（tracker）用于特定目标的分类，但是追踪更一般的目标存在更多挑战，因为当目标从帧图像中消失再出现，旋转，变形或者光照变化时目标就会变形，增加了追踪的难度。

    （这应该是目标追踪领域里面所面临的共有挑战。）

    2.典型目标追踪系统（Typical Tracking System）

    作者认为典型目标追踪系统有三个部分：

    外观模型（appearance model）：用于评估感兴趣目标在帧图像中某个位置的可能性。

    运动模型（motion model）：随着时间，与目标在帧图像的位置有关。（可以理解为目标的时间运行轨迹）

    搜索策略（search strategy）：找到目标在当前帧中最有可能的位置。

    本篇论文关注的重点是针对外观模型（appearance model），其他两个部分可以去参考论文中指出来的参考文献《Object tracking:A survey》。

    a. 外观模型（appearance model）

    在一些追踪方法中，有使用到静态模型，要么手动定义，要么使用第一帧信息训练模型。但是静态的方法不能处理目标外形改变。尤其是在目标的先验知识被限制，挑战就变得更加困难。对于这样的问题，一般是建立自适应的外观模型（adaptive appearance model）

    b.自适应的外观模型（adaptive appearance model）

    自适应的外观模型可以很好处理追踪过程中外形改变的问题。然而训练自适应外观模型本身就有很多问题需要解决，因为这样的模型包含了许多需要被调整的参数（即参数设定是一个问题），而且当目标处于部分遮挡情况时模型面临漂移问题。

    3.本论文关注的重点

     关注重点1--追踪任意目标的问题，被追踪目标除了在第一帧中的位置信息外就没有更多的先验知识。

     对此，作者的目标是发展一种用于自适应外观模型更新的方式，追踪系统能处理部分遮挡问题，避免漂移，用最少的参数设定获得更好的性能。为了达到这样的目标，作者引入MIL（Multiple Instance Learning）学习范例，可以处理数据的模糊性或歧义性（即对样本的正确抽样）。

     关注重点2--追踪目标的尺度和位置问题，使用矩形边界框近似这些目标的参数。这种方法被认为可以用在其他的追踪问题上。

     通过上面对论文背景知识的介绍，很容易发现，作者是对目标追踪系统中自适应外观模型进行改进。针对自适应外观模型，作者关注任意目标的追踪和目标的尺度与位置问题。通看本论文，作者引入了MIL学习范例，并将其整合到模型中。

     所以接下来作者论文主要是谈及自适应外观模型，MIL范例。

    详细介绍见后续内容。