简称：DSLT(deep shrinkage loss Tracker)
论文地址：http://faculty.ucmerced.edu/mhyang/papers/eccv2018_rtsl.pdf
先看本文的效果：
创新点：
1 提出shrinkage loss 来解决样本极度不均衡的问题。实验表明，本loss不仅提升性能，而且还加速收敛。作者声称本 loss效果比预值为0.01的OHNM好
原理上讲：简单样本的loss被大量压缩了.所以叫压缩loss
shrinkage loss 实际上由 l2 loss和 l3 loss(Facal loss)启发，
2 利用残差的方式连接多层卷积。这种残差连接方案的效果通过消融实验有证实。在论文的5.3节
实现细节：
caffe toolbox in Matlab
i7 4.0GHz CPU
NVIDIA TITAN X GPU
VGG-16 backbone
1x1 convoluting layer to reduce the channels from 512 to 128(on conv5 3 and conv4 3)
训练：adam
lr=8e-7 conv53
lr=2e-8 conv43,
when update, the lr is set to 2e-7 and 5e-9,
T=7，用前面7帧去预测后一帧图像得位置
标注用一个核大小为目标变长为0.1的2纬高斯函数生成
尺度方面， ratio=1.03,pyramid levels = 3,
5.7frames per second.
source code is :https://github.com/chaoma99/DSLT.
个人点评：
复现思路：VGG 16做backbone,conv53与conv43做一些将channel然后做一个残差连接方案
标注的生成就用二维高斯模型来生成所谓的软标注
因为作者很巧妙的改动了loss和一个残差连接方案，改动量很小，这里除了可用matlab来实现，还可以用其他框架快速的做实验。
