递归最小二乘估计器辅助的视觉跟踪在线学习

在测试阶段从单个初始样本跟踪视觉对象已被广泛视为一种单样本/少样本问题，即用于初始适应的单样本学习和用于在线适应的少样本学习。近期的少样本在线适应方法通过离线阶段复杂的元学习优化，融入来自大量标注训练数据的先验知识。这有助于在线深度跟踪器实现快速适应并降低跟踪中的过拟合风险。本文中，我们提出一种简单而有效的递归最小二乘估计器辅助的少样本在线适应在线学习方法，无需离线训练。它允许模型内置记忆保持机制以记住先前所见对象的知识，因此所见数据可安全地从训练中移除。这也在防止灾难性遗忘方面与新兴的持续学习领域有一定相似性。该机制使我们能够释放现代在线深度跟踪器的能力，而不产生过多额外计算成本。我们基于在线学习跟踪家族中的两个网络评估了我们的方法，即 RT-MDNet 中的多层感知机与 DiMP 中的卷积神经网络。在多个具挑战性跟踪基准上的一致改进证明了其有效性与高效性。