简介
paper:Tracking by Instance Detection: A Meta-Learning Approach
code:暂未开源
这篇论文的动机是通过元学习(Meta-Learning
)直接将一个目标检测器转化为一个high-performance
的跟踪器。
这篇论文提出通过三步来构建一个high-performance
的跟踪器:
- 选择一个在目标检测任务中表现好的检测器.
- 通过元学习算法
MAML
对该检测器进行离线训练. - 通过首帧图像对该模型进行
domain adaptation
.
主要流程
第一步,是选择一个比较好的检测模型,这篇论文中选择了RetinaNet
和FCOS
两个检测模型。
第二步,根据元学习的思想,将当前训练集分为support set
(即train set
)和target set
(即test set
),然后通过MAML
算法对模型进行离线训练(如下图所示)
第三步,在一个新的video sequence
中进行domain adaptation
,即通过对首帧图像进行图像增广得到一组support set
,之后通过梯度下降法对模型进行一轮参数更新
实验结果
小结
元学习是找出一个潜力最大的模型,对于每个跟踪任务,跟踪目标是未知,虽然通过传统的深度学习可以强制网络“记住”物体的特征,但也不可能记住所有物体的特征,所以元学习可以在跟踪任务中排上用场,即让模型学会“学习”的能力。