MIL是一篇關於tracking中基於tracking-by-detection框架的文章，而且關注的是好的正樣本的問題。當然之前那篇裡面的struck也是關注這個問題。作者首先發現，利用當前幀的state獲得的正負樣本很容易混淆分類器本身。因為tracker本身稍微的誤差可能將訓練樣本的label標錯，那麼訓練出來的分類器也就不好了，於是對下一幀的預測很可能出問題。於是我們還是得獲得好的正負樣本來update appearance model啊。

我感覺作者提出multi-instance learning 來解決這個問題，說白了就是三個臭皮匠頂個諸葛亮的思想。也就是說，作者想由於無法保證每次的正樣本是最好的，而如果擴充正樣本的話，又會搞得分類器自己迷惑，那麼幹脆多找些臭皮匠樣本得了。這些樣本構成一個集合，給他們賦一個標籤。當這個集合裡面的樣本存在一個正樣本或以上這個標籤就是正的，否則為負。如下所示：

左邊是採用單個正樣本update model,中間是採用多個正樣本update model，右邊是將正樣本構造一個集合，整個集合看做是正樣本。

模型的框架如下所示:

下面說說multiple instance learning（MIL）.

在傳統的判別式學習演算法中，我們訓練分類器的話，需要正負樣本的集合，在這裡就是從一個影象patch提取的特徵。而在MIL中，形式如下：，其中X是樣本的集合，bag。如果這裡面至少有一個樣本位置，那麼bag就是看做正的。我們要做的就是訓練一個instance classifer來估計出label.對於bag而言，就是。這個公式的好處就是當bag中某一個instance有很高的probability的時候，那麼相應地這個bag也具有很高的probobility。

講完了MIL，作者又引入了一個概念叫：Online boosting.Boosting的思想，應該是弱弱聯合，構造一個強分類器，其中組合係數可學：

。

最流行的演算法來求解這個係數的當屬adboost.

有了這兩個概念之後：

Online Multiple Instance Boosting就出來了，作者首先構造一個目標函式：

Hk-1是有前(k-1)個弱分類器組成的強分類器，在本文中作者對instance probability建模成：

，首先我們需要訓練弱分類器，而弱分類器需要label，於是我們把bag的label給裡面的每一個instance，然後選擇K個如分類，挑選標準就是：

演算法的虛擬碼如下：