? 理解出錯之處望不吝指正。

? 本文模型叫做VITAL。作者提到，當(dāng)前使用DNN的trackers的性能受限于兩方面：（1）.每一幀中的positive sample在空間上高度重疊，模型不能和好的捕獲較好的appearance variations；（2）.positive sample和negative sample的數(shù)量及其不平衡。為了處理這兩個問題，作者提出了使用對抗學(xué)習(xí)的VITAL模型。

? 針對問題（1），作者采用GAN來生成mask，這些mask作用在特征圖上，表示目標(biāo)的一種外觀變化。在對抗學(xué)習(xí)的作用下，可以學(xué)習(xí)出在整個時序中哪一種mask保留了目標(biāo)物體的最魯棒性特征。最終，我們可以使用學(xué)到的mask對判別力強的特征進(jìn)行削弱，防止模型對該樣本過擬合；?

? 針對問題（2），作者提出了使用高階敏感損失來挖掘困難負(fù)樣本，降低簡單負(fù)樣本的影響。這不僅提高了準(zhǔn)確率，而且還加快了模型的收斂速度。

? 正常的損失函數(shù)應(yīng)該是下式這樣：

???

? 作者將其改為：

???

總結(jié)

以上是生活随笔為你收集整理的CVPR 2018 VITAL:《VITAL: VIsual Tracking via Adversarial Learning》论文笔记的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。