利用循环元学习器学习更新以实现目标跟踪

模型更新是目标跟踪的核心。通常，模型更新被表述为一个在线学习问题，其中目标模型在在线训练集上学习。我们的关键创新在于将模型更新问题表述于元学习框架中，并利用大量离线视频学习在线学习算法本身，即学习更新。所学更新器以在线训练集为输入，输出更新后的目标模型。作为首次尝试，我们基于循环神经网络（RNNs）设计所学更新器，并展示其在基于模板的跟踪器和基于相关滤波的跟踪器中的应用。我们的所学更新器一致地改进了基础跟踪器，并在 GPU 上比实时运行更快，同时测试期间所需内存占用小。在标准基准上的实验表明，我们的所学更新器优于常用的更新基线，包括基于高效指数移动平均（EMA）的更新和精心设计的基于随机梯度下降（SGD）的更新。配备我们的所学更新器后，基于模板的跟踪器在 GPU 上的实时跟踪器中达到了最先进的性能。