摘要
长期视觉跟踪因其更贴近实际应用场景，近年来受到越来越多关注。目前排名靠前的长期跟踪算法大多采用离线训练的孪生网络架构，因而无法受益于具备在线更新能力的短期跟踪算法所取得的显著进展。然而，由于长期跟踪面临观测结果不确定性高、噪声大的问题，直接将基于在线更新的跟踪器引入长期跟踪任务存在较大风险。针对这一重要但尚未解决的关键问题——“当前帧中跟踪器是否适合进行更新？”——本文提出了一种新型的离线训练的元更新器（Meta-Updater）。该元更新器能够以序列化方式有效融合几何、判别与外观等多模态线索，并通过设计的级联LSTM模块挖掘序列信息。该元更新器学习输出一个二值信号，用于指导跟踪器的更新策略，且可轻松嵌入到多种不同的跟踪框架中。本文还构建了一个完整的长期跟踪框架，包含一个在线局部跟踪器、一个在线验证器、基于SiamRPN的重检测器以及所提出的元更新器。在VOT2018LT、VOT2019LT、OxUvALT、TLP和LaSOT等多个基准数据集上的大量实验结果表明，所提出的跟踪器在性能上显著优于现有各类竞争算法。项目代码已开源，可访问：https://github.com/Daikenan/LTMU。