モデルの更新は物体追跡の核心的な部分に位置しています。一般的に、モデルの更新はオンライン学習問題として定式化され、ターゲットモデルがオンライン訓練セット上で学習されます。私たちの主要な革新点は、モデル更新問題をメタ学習フレームワークで定式化し、大量のオフライン動画を使用してオンライン学習アルゴリズム自体を学習することです。すなわち、「更新を学ぶ」というアプローチです。学習されたアップデーターはオンライン訓練セットを入力とし、更新されたターゲットモデルを出力します。最初の試みとして、我々は再帰型ニューラルネットワーク（RNN）に基づいて学習されたアップデーターを設計し、テンプレートベースのトラッカーと相関フィルターに基づくトラッカーでのその応用を示しました。我々の学習されたアップデーターはベーストラッカーの一貫した改善をもたらし、テスト時には小さなメモリ使用量でGPU上でリアルタイムよりも高速に動作します。標準的なベンチマークでの実験結果から、効率的な指数移動平均（EMA）ベースの更新や慎重に設計された確率的勾配降下法（SGD）ベースの更新などの一般的な更新基準を超える性能が確認されました。我々の学習されたアップデーターを搭載することで、テンプレートベースのトラッカーはGPU上のリアルタイムトラッカーの中で最先端の性能を達成しています。注：文中の強調部分（\emph{}内）は太字で表現しました。