? 理解出錯之處望不吝指正。

? 本文模型叫做VITAL。作者提到，當前使用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習的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，表示目標的一種外觀變化。在對抗學習的作用下，可以學習出在整個時序中哪一種mask保留了目標物體的最魯棒性特征。最終，我們可以使用學到的mask對判別力強的特征進行削弱，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樣本，降低簡單負樣本的影響。這不僅提高了準確率，而且還加快了模型的收斂速度。

? 正常的損失函數(shù)應該是下式這樣：

???

? 作者將其改為：

???

總結

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)站內容還不錯，歡迎將生活随笔推薦給好友。