Adaptive Decontamination of the Training Set: A Unified Formulation for Discriminative Visual Tracking

Martin Danelljan

判决类追踪模型是由训练样本学习得到，但是为了适应目标和背景的变化sample set在每一帧中都会更新。

令(x_jk, y_jk)表示第k帧k={1,2,...,t}中的第j个训练样本。假设第k帧中的n_k个样本在样本集中，

ak表示第k帧样本的权重。

存在一种方法可以控制式子中训练样本的impact。在DCF-based trackers  M. Danelljan Accurate scale estimation for robust visual tracking. In BMVC, 2014.J. F. Henriques  Highspeed tracking with kernelized correlation filters. PAMI, 2015中，采用learning rate 参数，，用这种方法旨在减少旧样本对训练过程的影响。基于SVM的trackers通常利用rejecting samples older than a threshold或者removing support vectors with least impact。

Corrupted Training Samples

追踪过程中通常会遇到样本损坏的问题，因为样本并不是手工标定而是由追踪算法标定的。有几种情况可以令我们在毫不知情的情况下将损坏的训练样本用于训练过程。

a) 错误的追踪预测。由于旋转、形变而导致的misaliged samples(不一致，不重合，法线不正），这将造成追踪的drift或者failure‘

b) 局部或者全遮挡造成的正样本受损。这是很常见的导致失败的原因——外观模型受污染。

c) 扰动。运动模糊可能导致目标的误识

这些因素可能会导致受污样本的引入，减低模型的判决能力。

 目前关于样本污染的问题已经做过一些研究工作。Bolme提出采用Peak-to-Sidelobe的标准排除新样本；J Zhang采用entropy-based minimization 确定最好的模型。

本文的方法：

      本文首次提出一个训练公式，同时优化模型参数和样本权重。不同于二类决策问题，本文的方法采用连续的权值。这使得我们可以降低污染样本的impact而增加正确样本的impact。此外该方法可以通过在每一帧中重新决定样本的权重，可以纠正错误。

      在介绍该方法前，先讨论一下样本净化方法的三种有利特征。

1）Continuous weights ：大部分判决类追踪器利用二分类方法引入或去除潜在的训练样本。这在一些较模糊的情况下会出现问题，比如轻微遮挡或者轻微的不重合，此时提取出的样本并不全是受污染的，依然存在有价值的信息。因此为了更准确的知道这类样本的重要性，我们需要连续的质量权值。

2）Re-determination of Importance：

                决定一个样本的重要性时，通常只利用前一帧的信息。理想情况下，在更新样本的重要时，应该考虑到所有的有用信息，包括更早的frames。通过利用information from all observed frames ，the importance of older samples can be re-determined more accurately.我们可以改正之前的错误，在知后的追踪过程中。

3）Dynamic sample Prior

许多方法只采用基本的统计学方法，忽视了和样本相联系的先验知识。在目标的快速形变或旋转时，   追踪器应该更注重当前帧的样本。

问题的公式化：

（3a)中的第二项为样本权重a的正则化项，受参数u>0和Prior Sample weighs pk的控制。

Prior weight selection