Suivi à long terme à haute performance avec Meta-Updater

Le suivi visuel à long terme a attiré une attention croissante, car il est bien plus proche des applications pratiques que le suivi à court terme. La plupart des meilleurs algorithmes de suivi à long terme reposent sur des architectures Siamese entraînées en mode hors ligne, ce qui les empêche de tirer parti des progrès récents réalisés par les méthodes à court terme bénéficiant d'une mise à jour en ligne. Pourtant, il est risqué d'introduire directement des méthodes basées sur la mise à jour en ligne pour résoudre le problème du suivi à long terme, en raison des observations incertaines et bruitées sur de longues durées. Dans ce travail, nous proposons un nouveau module d'actualisation méta, entraîné hors ligne, afin de traiter un problème important mais non résolu : le suivi est-il prêt à être mis à jour dans le cadre actuel ? Le module méta proposé intègre efficacement, de manière séquentielle, des indices géométriques, discriminatifs et d'apparence, puis exploite l'information séquentielle à l'aide d'un module LSTM en cascade conçu spécifiquement. Ce module méta apprend une sortie binaire pour guider la mise à jour du suivi et peut être facilement intégré à divers algorithmes de suivi. Ce travail présente également un cadre complet pour le suivi à long terme, composé d'un suivi local en ligne, d'un vérificateur en ligne, d'un ré-détecteur basé sur SiamRPN et du module méta proposé. Des résultats expérimentaux abondants sur les benchmarks VOT2018LT, VOT2019LT, OxUvALT, TLP et LaSOT montrent que notre algorithme surpasse significativement les méthodes concurrentes. Le projet est disponible à l'adresse suivante : https://github.com/Daikenan/LTMU.