理解出错之处望不吝指正。

  本文模型叫做VITAL。作者提到，当前使用DNN的trackers的性能受限于两方面：（1）.每一帧中的positive sample在空间上高度重叠，模型不能和好的捕获较好的appearance variations；（2）.positive sample和negative sample的数量及其不平衡。为了处理这两个问题，作者提出了使用对抗学习的VITAL模型。

  针对问题（1），作者采用GAN来生成mask，这些mask作用在特征图上，表示目标的一种外观变化。在对抗学习的作用下，可以学习出在整个时序中哪一种mask保留了目标物体的最鲁棒性特征。最终，我们可以使用学到的mask对判别力强的特征进行削弱，防止模型对该样本过拟合； 

  针对问题（2），作者提出了使用高阶敏感损失来挖掘困难负样本，降低简单负样本的影响。这不仅提高了准确率，而且还加快了模型的收敛速度。

  正常的损失函数应该是下式这样：

  作者将其改为：