Apprentissage de la mise à jour pour le suivi d'objets avec un apprenant métarécursif

La mise à jour du modèle est au cœur du suivi d'objets. Généralement, la mise à jour du modèle est formulée comme un problème d'apprentissage en ligne, où un modèle cible est appris sur l'ensemble de formation en ligne. Notre innovation clé consiste à \emph{formuler le problème de mise à jour du modèle dans le cadre de l'apprentissage par méta-apprentissage et à apprendre l'algorithme d'apprentissage en ligne lui-même en utilisant de grandes quantités de vidéos hors ligne}, c'est-à-dire \emph{l'apprentissage pour mettre à jour}. Le metteur à jour appris prend en entrée l'ensemble de formation en ligne et produit un modèle cible mis à jour. Dans une première approche, nous concevons le metteur à jour appris sur la base des réseaux neuronaux récurrents (RNN) et démontrons son application dans un traceur basé sur les modèles et un traceur basé sur les filtres de corrélation. Notre metteur à jour appris améliore constamment les traceurs de base et fonctionne plus rapidement que temps réel sur GPU tout en nécessitant une empreinte mémoire faible lors des tests. Les expériences menées sur des benchmarks standard montrent que notre metteur à jour appris surpassent les méthodes de mise à jour couramment utilisées, notamment la mise à jour basée sur la moyenne mobile exponentielle (EMA) efficace et la mise à jour basée sur le gradient stochastique (SGD) bien conçue. Équipé de notre metteur à jour appris, le traceur basé sur les modèles atteint des performances de pointe parmi les traceurs temps réel sur GPU.