基于实例检测的跟踪：一种元学习方法
计算机视觉与模式识别
2020-04-03 v1
摘要
我们将跟踪问题视为一种特殊的目标检测问题，称之为实例检测。通过恰当初始化，检测器可从单幅图像学习新实例，从而快速转化为跟踪器。我们发现模型无关元学习（MAML）提供了一种满足我们需求的检测器初始化策略。我们提出一种构建高性能跟踪器的严谨三步法。首先，选取任一以梯度下降训练的现现代目标检测器。其次，使用 MAML 进行离线训练（或初始化）。第三，利用首帧进行域适应。我们依此流程基于 RetinaNet 与 FCOS 两种现代检测器构建了两个跟踪器，名为 Retina-MAML 与 FCOS-MAML。在四个基准上的评估表明，两个跟踪器均可与最先进跟踪器相竞争。在 OTB-100 上，Retina-MAML 取得了史上最高的 AUC 0.712。在 TrackingNet 上，FCOS-MAML 以 AUC 0.757 与归一化精度 0.822 位居排行榜首位。两个跟踪器均以 40 FPS 实时运行。
引用
@article{arxiv.2004.00830,
title = {Tracking by Instance Detection: A Meta-Learning Approach},
author = {Guangting Wang and Chong Luo and Xiaoyan Sun and Zhiwei Xiong and Wenjun Zeng},
journal= {arXiv preprint arXiv:2004.00830},
year = {2020}
}
备注
This paper has been accepted by CVPR'20 as an oral