目标跟踪学习系列（第五集）：Real-time visual tracking via online weighted multiple instance learning (WMIL) 学习

The article discusses real-time techniques for visual tracking that employ online weighted multi-instance learning approaches.

Kaihua Zhang,Huihui Song

现有的大多数tracking-by-detection方法的核心在于：通过在线的方式训练一个分类器；随后利用滑动窗口从上一目标区域附近提取若干样本；然后由分类器从这些样本中识别出响应值最大的位置作为当前帧中目标的位置。多标签信息学习（MIL）有效解决了在线训练过程中存在准确性不足的问题。然而该方法未考虑到多事件场景下各个样本的重要程度。实际上根据所获得的样本与前一目标区域的距离远近可以大致判断其重要性程度。这也是这一篇文章核心观点所在的核心思想

构建一个具有抗干扰能力的表观模型是追踪机制的核心挑战。围绕这一核心问题展开研究，在表观模型的设计层面提出了生成器与识别器两种新方法：其中生成器通过训练学习建立表观模型来识别目标特征，并在每帧图像中提取匹配区域；而识别器则基于预先训练好的表观模型进行实时跟踪操作。实验结果表明，在遮挡物存在以及光照条件变化的情况下，稀疏表示方法表现出优异的跟踪性能。然而生成器方法的最大局限性在于对背景信息的关注不足：它往往忽略了大量与目标无关但可能影响检测