目标跟踪中存在的样本不均衡问题，损失函数的改进

目标跟踪正负样字失衡比较严重，这里主要是想在跟踪领域提供解决思路，做下总结和整理的工作。

• MDNet中用到了OHEM（online hard example mining）
• VITAL 中提出 cost sencentive loss 
• SiamFc-tri 中提出Triplet loss
• DSLT 基于focal loss 改进的Shrinkage loss

 VITAL: VIsual Tracking via Adversarial Learning

  代码：https://github.com/ybsong00/Vital_release

  论文：https://ybsong00.github.io/cvpr18_tracking/index.html

   摘要： 针对tracking-by-detection 跟踪框架采样深度分类网络存在两个方面的问题。1、每帧中正样本空间上高度重合很难捕获丰富的目标变化；2、正负样本存在极度的不平衡。作者提出采用gan 网络随机生成mask 去捕获目标的变化。通过gan生成的mask 可以很好的识别鲁棒性特征。另外，作者对于分类样本不均衡问题，提出high-order cost sensitive loss去降低容易负样本的影响。