MILTrack学习1——摘要

                                （1）在线多示例学习的鲁棒性目标追踪（MILTrack）—摘要

      《Robust　Object　Tracking　with　Online Multipe Instance Learning 》是Babenko发表在IEEE上的一篇关于目标追踪的经典论文。作者在他原有论文《Visual　Tracking　with　Online Multipe Instance Learning》的基础上稍加修改后发表出来的。主要的内容改动不大，主要是添加了尺度处理和实验比较。这篇博客是对《Robust　Object　Tracking　with　Online Multipe Instance Learning 》的分析理解。

       这一篇算是比较旧的论文了，现在之所以拿出来在这里进行分析，主要是因为我最近想写一篇与MILTrack有关的论文，所以请给各位大神勿喷。

　　同时，在这里详细写下自己对这篇论文的理解，一方面是为了能回顾，二是希望网上的大神们多指点下我这个菜。

　　废话不多说，现在直入主题。　　

         一、摘要部分：

       要处理的问题：在给定第一帧图像中目标的位置或者更少的信息后，如何实现目标追踪。

       已有的方法之一：Tracking By Detection。该方法主要是在线训练有判别能力的分类器classifier，将目标从背景中分离出来，这样的分类器根据当前追踪器的状态state自举地(Bootstrap）从当前帧图像中抽取正负样本（实际上这是一种有监督的学习方法）。但是这样的做法就会产生有杂质的样本，从而导致漂移现象（就是追踪失误），降低分类器的性能。

       作者的方法：针对上面的问题，作者引入MIL（Multipe Instance Learning ）方法取代传统的有监督学习，以便产生鲁棒性更强参数设定更少的追踪器。基于此，作者又提出了在线MIL算法以便提高实时追踪性能（这是在线MIL算法是本论文的核心所在）。

    作者目的就是为了提高目标追踪过程中既能较为准确地跟踪到目标，又能实现追踪过程中实时运行。

     为了凸显作者方法的优势，论文中做了定性和定量的分析。

　　在摘要部分，作者已经提到了Bootstrap、MIL以及在线学习方法，这些是本论文的基础。

         更多分析见后续章节。