Abstract:这篇论文有三个贡献，第一提出了新颖的简化的结构损失函数，能保持尽量多的训练样本，通过适应模型输出的不确定性来减少跟踪误差累积风险。
第二是增强了普通的SGD，采用了暂时的选择策略来进行CNN训练。第三，更新CNN模型时采用一种更lazy的方式来加快训练，只有当目标外观发生较大变化时才更 新网络。
Introduction:在本文提出的算法中，用CNN自动学习特定目标的特征描述，以在线的方式更新CNN模型，CNN在各个可能的目标位置生成相应的分数，分数最高 的hypothesis被作为当前帧目标状态的预测。
传统的tracking-by-detection方法用正负样本来预测目标位置，但正样本少负样本多会导致跟踪不够准确；其次，除了第一帧的目标位置外，其余目标位置都是 跟踪器的预测，并不一定准确。为了解决上面两个问题，本文CNN模型提出了一种特殊的损失函数形式，包括鲁棒部分、结构部分和简化部分。其中结构部分能获得大 训练样本，在同一时刻考虑目标位置的不确定时，有着明显不同的层次；鲁棒部分在跟踪过程中考虑多个目标位置估计而不是一个，并用最优估计来确定目标位置；简 化部分应用到CNN的响应，减少BP阶段中的样本，明显加快训练过程。
本文提出了新的SGD来优化CNN模型中的参数，传统的SGD并不适用于跟踪，主要有两方面的改进：首先为了防止CNN模型过拟合，本文提出了一个临时采样策略。
这个策略假定目标位置块在记忆中比背景块存留的时间更长。因此，我们将所有观测到的样本块存储在训练样本池里，并且我们从一个临时的序列中选正样本，这个序列要长于
负样本的序列。事实上，这是构建基于CNN的鲁棒跟踪器的重要因素，因为区分样本策略成功的正则化了有效外观模型的变化。
第二，我们用了多个image cues（低层的图像特征，比如归一化的灰度图像或图像梯度）作为网络输出的独立通道。我们独立的训练每个通道的参数，并在之后用一个全连接
层来联合训练。这就让训练更有效率，从经验上我们可以看到，这种两阶段的训练方式比所有cues联合起来训练更有效果。
CNN Architecture
CNN with Multiple Image Cues
本文CNN包括两层卷积层，激活函数为sigmod，采用平均池化操作。
输入为32*32，第一个卷积层有6个核，大小为13*13，第二个卷积层有72个核，大小为9*9，经过池化操作以后，得到一个12维的特征向量。
全连接层是个logistic regression操作，它将一个12维的向量生成一个分数向量s，s1代表正分，s2代现负分。为了增大正负样本分数的边界，可以采和如下的CNN分数计算
方式：
有效的跟踪需要多个cues，包括颜色啊梯度啊，这些cues之间相互补充。本文采用4个image cues,包括用不同参数配置的三个局部归一化图和一个梯度图。采用数据驱动的方式
让CNN选择最有信息量的cues。
Robust, Structural, Truncated Loss Function
Structural Loss:
结构化的二元分类器在定位目标时有着更好的表现，最大的优势是有着大量可训练样本，而普通的二元分类器只能用有着高置信（我的理解是有着较大概率属于哪一类）的
训练样本。定义如下的结构损失函数：
事实上，（5）衡量的是训练样本的重要性。
Structural Loss with a Robust Term and the Truncated Norm
接下来是使损失函数更鲁棒的方法，排除掉那些虽然CNN分数很高，但与训练标签有很大不符的样本。
为了加快BP训练速度，丢掉那些训练误差小的训练样本。
Optimization of CNN for Tracking
Online Learning: Iterative SGD with Temporal Sampling
不同于检测和识别，在跟踪过程中当新一帧到来时，训练样本池增长缓慢。这就需要在所有帧之前学习一个连贯的模型，用这个模型将背景与目标区分开来。
这就启示我们可以在一个long-term的正样本集和一个short-term的负样本集中来学习一个判别模型。基于此想法，我们将SGD嵌入到随机采样的过程中，
Iterative Stochastic Gradient Descent (IT-SDG)
因为使用了多个image cues，这可能会影响训练的速度、导致过拟合，因为每个image cue是弱相关的，因此我们以迭代的方式来训练网络。先训练卷积层的参数
然后在全连接层中评估所有image cues的响应，以一个小的学习速率更新全连接层的参数。
Lazy Update and the Overall Work Flow