基于蒸馏与强化模型的跟踪器跟踪

视觉目标跟踪通常通过对快速处理算法、精确的在线自适应方法以及跟踪器融合的独立推理来解决。本文中，我们通过提出一种新颖的跟踪方法统一了这些目标，该方法利用其他视觉跟踪器（离线与在线）。一个紧凑的学生模型通过知识蒸馏与强化学习的结合而训练。前者允许迁移并压缩其他跟踪器的跟踪知识。后者使得评价度量的学习得以实现，并随后被在线利用。学习之后，该学生模型最终可用于构建（i）一个极快的单次跟踪器，（ii）一个具有简单而有效的在线自适应机制的跟踪器，（iii）一个执行其他跟踪器融合的跟踪器。大量验证表明，所提算法可与实时最先进（state-of-the-art）跟踪器竞争。