還是那個老故事，即如何解決Deep檢測跟蹤器訓練時正樣本（尤其在occlusion和deformation情況下的hard positive）不足的問題。這個問題的緊迫性在於這樣樣本的缺失導致訓練所得網絡在occlusion、deformation等appearance variation情況下的魯棒性不足。
傳統解決此問題有兩個方向的思路：1. 儘可能收集和建立越來越大越來越全的數據庫，期待這個數據庫能夠把方方面面的variation都囊括（比如COCO超過10K的汽車樣本with variations）。可是，occlusion和deformation具有long-tail的特性，即便再大的dataset也很難得到一個足夠全的數據庫；2. Hard samples mining in Loss function，比如類似focal loss，這樣做僅僅是增加了在訓練時hard樣本的單體對loss的貢獻，但是依然不能解決有些很罕見樣本根本收集不到的問題。
在解決此問題上，本文與SINT++的思路完全一樣，即通過Adversarial的概念去直接學習從hard positive的long-tail distribution中學習採樣生成現實中不存在的hard positive樣本，學會如何去遮擋一些真的easy positive。注意，這裏的生成依舊不是輸入一張圖，輸出一張圖的傳統GAN模式。因爲這樣的傳統GAN模式依舊擺脫不了對樣本的需求。這裏做的是在CNN的feature map上進行遮擋，而不是pixel-wise的逐像素生成，這樣一來就對adversary訓練的樣本需求減少很多。 注意，A-Fast-RCNN和SINT++都是在feature map上遮擋而不是在原圖上遮擋。Adversary的概念體現在generator拼命生成discriminator（classifier、detector）無法識別的hard positive，而discriminator則拼命去識別generator扔過來的儘可能難的hard positive。
提到的文章如下：
A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection，CVPR2017
SINT++: Robust Visual Tracking via Adversarial Positive Instance Generation， CVPR2018
VITAL: VIsual Tracking via Adversarial Learning， CVPR2018