论文：VITAL: VIsual Tracking via Adversarial Learning（利用对抗性学习的目标跟踪）
论文地址 code
写在前面
这篇文章是CVPR2018的Spotlight，感觉18年跟踪方面的Spotlight都是以精度取胜了，不过在跟踪方面还是效果为先，这篇文章的思路并不难，也没有过于复杂的公式推导，可能在一些措辞上有些不好理解。它最大的优点就是把GAN应用到目标跟踪这个领域，相比MDNet效果有了很大的提升，网络也比较简单，沿用了VGG-M的结构，但是由于每帧都要更新模板，所以运行速度也比较慢，大概1.5FPS。
Motivation
这篇文章指出基于深度学习的目标跟踪存在两个方面的问题：
① 一帧中的正样本之间高度重叠，从这些样本中很难获取目标表观的变化；
② 正负样本数量上的不平衡性。
Contribution
- 利用对抗学习来加强正样本特征的鲁棒性，使得提取到的特征对目标的表观变化不敏感；
- 利用了一个高阶敏感的损失函数来处理正负样本之间的不平衡
- 在很多的benchmark上验证了这个方法，都获得了比较好的效果。
Algorithm
这一块分成两部分来讲
一、对抗学习
对于每一帧，先是提取出多个样本，每个样本经过如上网络得到一个分类的score。上图中前面提取特征的网络是VGG-M，在第三个卷积层先是使用了两个全连接层用来随机生成权重的mask，然后再与原先的特征做dropout操作，最后得到的结果到分类器中分类。其中的对抗学习部分就是在mask的生成器和分类器的对抗。由于传统的GAN的生成器的输入是一堆噪声，而我们有的是proposal，所以才要使用Mask来作为噪声，这样才能将GAN移植过来。
如上图所示，文章将生成器放在特征提取和分类之间，假设输出的特征为，根据生成的MASK是，实际上的MASK为，最后损失函数如下：（这里的Mask其实就是充当表观变化的参数，希望学到的判别器对多种表观变化都很鲁棒）
这个损失函数的含义就是，要让G生成的MASK与C的dropout之后得到的特征让D无法区分，而D的目的就是不断提高自己的判别力，使得能更好的区分G的MASK。值得注意的是，这篇文章对于每个proposal都用了9个Mask，而最终选择的Mask却是使得这个损失函数最大的Mask，然后利用这个值对网络进行优化。文章的解释是，若是一味使用样本中最具有判别力的部分，很容易使得网络陷入过拟合，这种选择最大的方式，其实就是在选一些在表观变化中鲁棒性，不敏感的特征。文章提出这种操作可以一致单个帧中十分具有判别力的特征，得到全局鲁棒性、稳定性的特征。 我个人认为这个地方还存在一些问题，这些被抑制的特征不一定就是某些帧独有的，这么抑制了，可能会使得网络对那些语义相似的噪声难以判别，但是这篇文章的效果很好，可能是我多虑了。也有可能是因为不端选择最难的Mask，其实反倒增强了判别器的判别力。
二、敏感交叉熵损失
这一块主要为了处理正负样本数量不均的问题，引入了focal loss的方式，损失函数：
对于交叉熵的损失函数，正样本时得到的概率越大越好，负样本时得到的概率越小越好，但是由于过多的简单负样本损失叠加，还是会变大，可能会超过一个艰难的负样本的损失，所以以上就是给每个样本加了个权重。艰难的负样本的权重高，简单负样本的权重低。
Tracking
文章中多次提到他们只在训练阶段使用G，测试阶段只用了D，但是它的跟踪过程是每帧都更新的，这块有点不太理解。
- 模型初始化：线下先预训练模型参数（VGG-M），对于每个视频，先随机初始化D，然后用第一帧训练D和G；
- 在线检测：每来一帧都先提取proposal，然后只做一次前向传播得到分类score；
- 模型更新：利用前一帧得到的结果更新模型，使用G和D，每一帧都更新
Experiment
实验效果还挺好的，但是还是没超过ECO和CCOT，但是在输入视频分辨率比较低的情况下，表现还不如MDNet：
总结
可能是看的文章太少了，感觉这篇文章的有些解释部分不太懂，也不怎么理解这篇文章为什么效果好，还需要好好琢磨一下。
优点
- 将GAN引入到目标跟踪领域中来，设计了简单高效的网络
- 使用了focal loss来处理数据不平衡的问题
缺点
- 对输入的测试视频要求高，若其分辨率低效果不如MDNet
- 可能难去区分语义级别的噪声
- 速度很慢，只有1.5FPS