图像跟踪（六）SRDCFdeno算法：样本净化

        SRDCFdeno算法的论文中提出了一种净化样本的方法，虽然挂了SRDCF的名字，但是SRDCF只是BaseLine。这种样本净化的方法可推广性非常强，因为把样本权重融合进了Loss函数，直接在更新样本的时候更新其权重，相对于多专家系统的方法，我更推荐使用这种方法来净化样本。

        相对于前作SRDCF来说，这个算法就好理解多了

        从Loss Function讲起，每个样本在训练时都有一个样本权重，只是原来的loss function里面没有写出来。

        在更新参数的时候，我们常常使用 (1-lrate)*model+lrate*sample 的公式更新参数，这也就隐含了样本权重的变化，随着时间的增加，离我们越远的样本权重越来越小，呈现等比数列式的下降，于是以往算法的 alpha 是变化的，时间上较近的样本具有较大影响，这就是下面这张ppt上的第一个Loss Function，这是以往算法采用的方式。

        现在，由于样本污染的问题，时间上最近的样本不一定最好，这可能由遮挡、环境、运动等引起，于是我们就要重新评估每个样本的权重。这里说的每个，就是在第t帧是，过去1,2,3…,t-1共t-1个样本，每个样本的权重。

        于是我们从Loss Function入手，在训练时直接更新样本权重。样本权重分为两个，一个是alpha样本权重，另一个是rho优先权重，优先权重是加给alpha的正则化项的，最近的K帧rho越来越大，就是说运行最近的几帧样本权重有较大差异或变化。还有一个参数μ，这个参数在论文中有详细的解释，这个值越大，就允许alpha有更大的浮动，当这个值很大时就相当于正则化项消失了，没有方差的制约了，而当这个值很小时，各个样本权重会趋于相等，相当于等权重训练。

        最小化loss是一个双参数优化问题，对于凸函数来说，可以把theta的更新和alpha的更新分析开来，先更新一个量，再更新另一个量，循环更新迭代，theta好说，SRDCF中推导出来的套上，对于alpha也好说，使用Matlab Optimization Toolbox

这是优先权重的计算公式，sum=1

最后是效果评价，提升幅度很大，还是相当不错的

CVPR16的文章，非常优秀

[1]. Danelljan, M., et al. Adaptive decontamination of the training set: A unified formulation for discriminative visual tracking. 2016: CVPR.

OK，See You Next Chapter!