目标跟踪中存在的样本不均衡问题，损失函数的改进

目标跟踪正负样字失衡比较严重，这里主要是想在跟踪领域提供解决思路，做下总结和整理的工作。

• MDNet中用到了OHEM（online hard example mining）
• VITAL 中提出 cost sencentive loss 
• SiamFc-tri 中提出Triplet loss
• DSLT 基于focal loss 改进的Shrinkage loss

 VITAL: VIsual Tracking via Adversarial Learning

  代码：https://github.com/ybsong00/Vital_release

  论文：https://ybsong00.github.io/cvpr18_tracking/index.html

   摘要： 针对tracking-by-detection 跟踪框架采样深度分类网络存在两个方面的问题。1、每帧中正样本空间上高度重合很难捕获丰富的目标变化；2、正负样本存在极度的不平衡。作者提出采用gan 网络随机生成mask 去捕获目标的变化。通过gan生成的mask 可以很好的识别鲁棒性特征。另外，作者对于分类样本不均衡问题，提出high-order cost sensitive loss去降低容易负样本的影响。

 问题分析：

之前的跟踪算法强调用版别性强的特征，然后随着目标一帧帧的变化，最具判别行的特征在当前帧无法保证仍然具有判别性。最典型的就是部分遮挡和平面外旋转场景。所以作者想通过GAN去mask 识别那些鲁棒性的特征，而不是判别行强的特征。

这里只讲损失改进的部分，关于GAN的部分可以看原文，损失是在CE的基础上改进的。

当0.5和y=0时，即跟踪中的大量的负样本满足。求和后的损失主宰了整个损失。控制了梯度。

基于次作者结合了focal loss ,提出了cost sensitive loss:

可以看出在当0.5和y=0时，对容易负样本在原始交叉熵的损失基础上乘上了,而此时的,起到了抑制的作用。

ps:其实我想说的是当y=1时，（1-p）会是小于1的，会对正样本也是一种抑制，只是没有y=0时，抑制的程度大，但是只有是抑制就不太好，因为正样本本来就缺乏，这样抑制不太好；可以对容易正样本进行抑制，对于困难正样本应该给予更大的权重，即p=0.5时，权重应该要大。