深度回归跟踪器：收缩损失与性能提升

"这篇论文探讨了深度回归跟踪器在目标跟踪任务中的应用，尤其是在面对数据不平衡问题时的挑战。文章提出了收缩损失的概念，这是一种新的损失函数，旨在解决训练过程中的前景-背景数据不平衡，从而提高深度回归跟踪器的性能。此外，通过引入残差连接，该方法能够更好地融合多层卷积的输出，进一步提升跟踪效果。实验结果显示，这种方法在多个基准数据集上的表现优于其他先进的深度回归跟踪器，并且与传统的DCF跟踪器相比也有显著优势。" 深度回归跟踪器是近年来在视觉对象跟踪领域中备受关注的一种方法。与传统的两阶段检测跟踪器不同，它们直接学习目标位置的估计，通过密集采样并利用回归网络进行预测。这种一阶段的方法由于其高效性和简洁性，被广泛研究和采用。 然而，深度回归跟踪器的一个主要问题是数据不平衡，即目标区域的样本数量远远少于背景区域的样本，这在训练过程中会导致网络对背景的过拟合，从而影响跟踪精度。为了解决这个问题，论文提出了一种名为“收缩损失”的新损失函数。收缩损失通过惩罚那些容易区分的训练样本，使得网络更加重视难分样本的学习，从而达到数据平衡的效果。 此外，论文还采用了残差连接来改进网络结构。残差连接允许信息直接跨层传递，使得网络能更有效地融合不同层的特征，提高响应映射的质量。这一设计有助于捕捉更复杂的视觉模式，从而提升跟踪的鲁棒性和准确性。 实验部分，论文在多个标准数据集上对比了所提出的跟踪算法与其他先进跟踪器，如CREST、C-COT、ECO和HCFT等，结果表明，新方法在0TB-2013、0TB-2015、Temple-128、UAV-123和VOT-2016这些基准上都表现出色，特别是在与DCF跟踪器的比较中，显示出了深度回归网络的端到端训练优势。 这篇论文通过收缩损失和残差连接的结合，提升了深度回归跟踪器在应对数据不平衡问题时的能力，为视觉对象跟踪领域提供了一种有效且实用的解决方案。这表明，在深度学习技术的驱动下，未来的目标跟踪算法有望实现更高的准确性和实时性。