CVPR 2018 DEDT:《Efficient Diverse Ensemble for Discriminative Co-Tracking》论文笔记

  理解出错之处望不吝指正。

  本文模型叫做DEDT，是一个集成判别器。作者提到，以往的集成判别器中，每个判别器之间学到的东西之间存在过多的冗余信息，本文提出一种online ensemble tracker，可以针对集成集合中的每个tracker生成人造样本，不同tracker之间使用的样本具有差异性。

  本文中每一个tracker均为基于HOG特征的kd-tree-based KNN分类器。

  如下图所示，（a）是一个典型的集成判别器状态；（b）是传统更新过程，可以看出，各个判别器都在向中间靠拢；（c）是一个使用部分样本的更新过程；（d）是一个理想的更新过程。

  本文的关键点就在于如何对每一个tracker生成特定的样本。

  用白话来说，就是根据训练数据的分布进行采样，每个样本的标签也是通过采样得到，采样概率即为（预测出此标签的tracker个数）/（总tracker个数）。这样我们就得到了训练数据集，使用该数据集对某个tracker进行训练，然后进行一次评价，若此次训练之后整个集成tracker的效果更好则保留此次训练，否则丢弃此次训练，重新进行数据采样。