[论文翻译]学习通过循环元学习器更新目标跟踪
摘要—模型更新是目标跟踪的核心问题。通常,模型更新被表述为在线学习问题,即在在线训练集上学习目标模型。我们的核心创新是将模型更新问题置于元学习框架下,并利用大量离线视频数据学习在线学习算法本身,即"学习如何更新"。该学习型更新器以在线训练集为输入,输出更新后的目标模型。作为首次尝试,我们基于循环神经网络(RNN)设计了学习型更新器,并展示了其在基于模板的跟踪器和基于相关滤波器的跟踪器中的应用。我们的学习型更新器持续改进了基础跟踪器,在GPU上能以超实时速度运行,且测试时内存占用极小。在标准基准测试上的实验表明,我们的学习型更新器优于常用的更新基线方法,包括高效的基于指数移动平均(EMA)的更新和精心设计的基于随机梯度下降(SGD)的更新。配备我们的学习型更新器后,基于模板的跟踪器在GPU实时跟踪器中达到了最先进的性能。