[论文阅读 2020 CVPR 目标跟踪]Tracking by Instance Detection: A Meta-Learning Approach

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:

1. 选择一个在目标检测任务中表现好的检测器.
2. 通过元学习算法MAML对该检测器进行离线训练.
3. 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。