文章标题:《Learning the Model Update for Siamese Trackers》
文章地址:[1] arXiv,[2] ICCV2019 openaccess
github地址:https://github.com/zhanglichao/updatenet
更新策略
仅使用第一帧初始模板
在早期的 Siamese 跟踪器里,第一帧就对目标模板进行初始化,后面都固定使用这个模板进行跟踪。然而实际任务中目标外观变化通常很明显,如果不能有效地更新目标模板,很快就会跟踪失败。
线性更新
为了解决这个问题,目前已经有人做了一些简单的更新策略,通过固定学习率的移动平均方法,对目标模板进行线性更新:
我们认为这种方法有一些缺点:
- 对于所有视频,它都用一个固定的更新率。但是不同情况下,对于更新的需求是不一样的,要考虑的因素很复杂。例如相机运动模糊,不同时刻的动态变化等。
- 这个更新率对于模板的所有空间维度(包括通道维度)上也是固定的。但有时候我们只需要更新模板的一部分,例如发生遮挡时。
- 跟踪器不能从累计漂移中恢复过来。随着模板的更新,我们失去了 T 0 的原始信息,而第一帧的模板 T0才是我们最开始想要跟踪的目标。
- 公式(1)只是一个非常简单的线性组合,但是我们需要灵活的更新机制,这在目标外观变化复杂时非常有必要。用更复杂的组合函数也许会好点。
自适应更新
更新算法永远都会考虑第一帧的模板 提供了高度可靠的信息,增强了对于后期跟踪漂移的鲁棒性。
ref
翻译
https://blog.csdn.net/PAN_Andy/article/details/103008079
https://blog.csdn.net/Yemiekai/article/details/123014839、