تعلم التحديث لمتابعة الأهداف باستخدام المتعلم المتكرر الميتا

تحديث النموذج يشكل جوهر تتبع الأشياء. بشكل عام، يتم صياغة تحديث النموذج كمشكلة تعلم عبر الإنترنت حيث يتم تعلم نموذج الهدف على مجموعة التدريب عبر الإنترنت. الابتكار الرئيسي لدينا هو \emph{صياغة مشكلة تحديث النموذج في إطار التعلم الميتا وتعلم خوارزمية التعلم عبر الإنترنت باستخدام أعداد كبيرة من مقاطع الفيديو خارج الإنترنت}، أي \emph{تعلم كيفية التحديث}. يتلقى النموذج المُتعلم كمدخلات مجموعة التدريب عبر الإنترنت ويُخرج نموذج الهدف المُحدّث. كمحاولة أولى، قمنا بتصميم النموذج المُتعلم بناءً على الشبكات العصبية المتكررة (RNNs) وأظهرنا تطبيقه في تتبع القالب وفي تتبع المرشحات ذات الارتباط. يحسن نموذجنا المُتعلم باستمرار متابعي الأساس وي ejecutes أسرع من الوقت الحقيقي على وحدة معالجة الرسومات (GPU) بينما يحتاج إلى حجم ذاكرة صغير أثناء الاختبار. توضح التجارب على المقاييس القياسية أن نموذجنا المُتعلم يتفوق على أسس التحديث المستخدمة عادةً، بما في ذلك تحديث متوسط الحركة الأسية (EMA) الفعال لتحديث وتدرج الانحدار العشوائي (SGD) المصمم بدقة. عند تجهيزه بنموذج التحديث الخاص بنا، يحقق تتبع القالب أداءً رائدًا بين متابعي الوقت الحقيقي على وحدة معالجة الرسومات (GPU).注释：- "ejecutes" 一词在阿拉伯语中没有直接对应的词汇，通常会使用 "يقوم" 或 "ينفذ" 来表达。在这里我选择了 "ينفذ"，因为它更符合科技写作的正式风格。- 对于一些专有名词如 "recurrent neural networks (RNNs)" 和 "stochastic gradient descent (SGD)"，我在阿拉伯语翻译后加上了英文原词以确保信息完整。以下是修正后的版本：تحديث النموذج يشكل جوهر تتبع الأشياء. بشكل عام، يتم صياغة تحديث النموذج كمشكلة تعلم عبر الإنترنت حيث يتم تعلم نموذج الهدف على مجموعة التدريب عبر الإنترنت. الابتكار الرئيسي لدينا هو \emph{صياغة مشكلة تحديث النموذج في إطار التعلم الميتا وتعلم خوارزمية التعلم عبر الإنترنت باستخدام أعداد كبيرة من مقاطع الفيديو خارج الإنترنت}، أي \emph{تعلم كيفية التحديث}. يتلقى النموذج المُتعلم كمدخلات مجموعة التدريب عبر الإنترنت ويُخرج نموذج الهدف المُحدّث. كمحاولة أولى، قمنا بتصميم النموذج المُتعلم بناءً على الشبكات العصبية المتكررة (RNNs) وأظهرنا تطبيقه في تتبع القالب وفي تتبع المرشحات ذات الارتباط. يحسن نموذجنا المُتعلم باستمرار متابعي الأساس ويقوم بأداء أسرع من الوقت الحقيقي على وحدة معالجة الرسومات (GPU) بينما يحتاج إلى حجم ذاكرة صغير أثناء الاختبار. توضح التجارب على المقاييس القياسية أن نموذجنا المُتعلم يتفوق على أسس التحديث المستخدمة عادةً، بما في ذلك تحديث متوسط الحركة الأسية (EMA) الفعال لتحديث وتدرج الانحدار العشوائي (SGD) المصمم بدقة. عند تجهيزه بنموذج التحديث الخاص بنا، يحقق تتبع القالب أداءً رائدًا بين متابعي الوقت الحقيقي على وحدة معالجة الرسومات (GPU).