摘要
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，在该问题中，目标模型是在在线训练集上进行学习的。我们的关键创新在于将模型更新问题置于元学习框架中，并利用大量离线视频来学习在线学习算法本身，即“学习如何更新”。所学的更新器以在线训练集作为输入，并输出一个更新后的目标模型。作为首次尝试，我们基于循环神经网络（RNNs）设计了所学的更新器，并展示了其在模板匹配跟踪器和相关滤波器跟踪器中的应用。我们的所学更新器不仅持续改进了基础跟踪器，而且在GPU上运行速度超过实时，同时在测试时所需的内存占用较小。标准基准测试表明，我们的所学更新器优于常用的更新基线方法，包括高效的指数移动平均（EMA）更新和精心设计的随机梯度下降（SGD）更新。配备我们所学的更新器后，模板匹配跟踪器在GPU上的实时跟踪器中达到了最先进的性能。