CVPR2018一共有三篇用Adverarial思想做tracking的文章。VITAL和SINT++不约而同都是处于利用adverarial的概念对缺乏diversity的在线采集正样本进行增强。
本文是UC Merced 大神Ming-Hsuan Yang与腾讯的强强联合，推出的一篇性能比肩ECO和MDNet的online trained two-stage T-by-D tracker。本文突出解决two-stage单目标跟踪器（先在原位置random sample得到candidates，再由classifier打分择优）在线训练classifier的正样本匮乏（目标上一帧跟踪位置周围密集随机采样导致正样本互相之间相似，不diverse）和正负样本imbalance的问题，提出用GAN的思想实现正样本增强，并用一种新的类focal loss解决hard negative mining（非要点，不多谈）。
本文最大的contribution是提出了一个类attention的（两层FC得到一个mask，再将此mask element-wise“dropout”即与前端feature extractor CNN feature map相乘）GAN中的generator，实现feature级而非image级的“生成”。这里的生成，指的是特征选择feature selection（通过mask加权），选择出样本中更加时序稳定robust的特征，而不是时变的discriminative特征，进而解决在目标跟踪时由于appearance variation带来的drifting。
如图所示，GAN的generator部分是在CNN的最后conv层与classifier的第一个FC层之间插入的两个FC和一个dot（masking加权）操作；而discriminator就是后面的classifier（两层FCs），网络结构异常简单。
这里implement的GAN，与传统意义上的GAN有4点不同：
- 输入是image patch feature map而不是noise distribution采样；
- 训练的目的是得到discriminator（即classifier）而不是generator；
- 是supervised的学习，因为是结合了分类器（discriminator）的训练，用CE loss；
- Generator生成的不是与input等维度的image，而是与input等spatial size的1D mask掩膜；
这个GAN的训练目标如下式：
训练过程是先D后G交替进行。在训练D时，在某一帧random采样得到N个candidates，将这些candidate forward pass到网络中，经过G时生成了N个mask。将N个mask过后的feature map输入D进行N次分类、算loss、BP（fix G两层FC的参数） update D；
训练G时，选择刚才N个mask里面导致最终分类loss最大的那个座位M带入上式，然后fix D的参数，进行一次分类、算loss、BP update G。
可见，D的训练目标是Maximize一个由生成的mask（G（C））加权的‘假样本’与一个由最优mask M加权的‘真样本’之间的分类误差；而G的训练目标是minimize D对如上所述真假加权后样本的区辩能力，即使两者的分类误差变小。这，就是GAN‘对抗’的核心。即，Generator拼命去学如何用mask把那些discriminative的feature挑出来，因为这一类feature在外观变化时会导致classifier出错；而相对地，Discriminator（classifier）则是拼命在学余下的robust的feature，来对抗外观变化的影响。
效果演示：
两行是两帧，两列是由GAN和无GAN。越红分类器越虚，说明feature越弱；可见，当两帧之间David扭头之后，没有GAN的情况下classifier完全迷失了，即，classifier所关注的所依仗的feature被David一转头（appearance variation）全毁了。这样的feature（例如眼睛鼻子嘴）就是所说的‘discriminative’但是不‘robust’的feature，即long-term来看对外观变化描述性不够可靠；而在有GAN时，红色少很多，说明在GAN的影响下，classifier确实捕捉到了选择出了robust的feature。