问题记录
- meta-learner 如何决定是否进行模型更新,其结构是什么
- local tracker,verifier,SiamRPN-based re-detector,meta-updater的架构是什么样
- 是否可以尝试在其他跟踪器上使用
- 平均峰相关能量,PR,MAX-PSR
- 距离测量
- 各种损失函数适用范围
- LSTM
动机
- 目标跟踪算法的研究重点从短时跟踪向长时跟踪发展,因为长时跟踪更贴近实际生活应用,目前长时跟踪数据库的视频序列时间多在1分钟以上
- 长时跟踪,要求跟踪器具备应对目标消失又重现的重检测额能力
- 目前的跟踪器,适用于长时跟踪的在线更新跟踪器速度慢,基于短时跟踪的离线训练跟踪器速度快但不适于长时跟踪;很少有人尝试直接在离线训练的短时跟踪器上使用在线跟踪策略以优化局部跟踪效果,增强重检测能力
- 在线跟踪策略是一把双刃剑,即可以更新目标和背景信息的同时,也会引入噪声污染样本
主要贡献
- 设计一款离线训练的元学习器,根据跟目标的外观,位置,分类置信度变化决定什么条件下进行模型更新
- 一种新的跟踪框架,应用于SiamRPN-based方法和ATOM,一个在线验证器,一个使用元学习更新策略的在线局部跟踪器
- 在VOT2019,OxUvALT,LaSOT等数据库上的验证实验证明了算法的有效性
相关工作
长时跟踪框架
- 经典方法TLD,将长期跟踪算法分为一个局部跟踪器和全局检测器【22】
- 问题在于局部跟踪器和全局检测器的在什么时候切换
- 大多数方法利用局部跟踪器的输出做模型判定,决定跟踪器是否跟丢,但是局部跟踪器的结果是不可信的
- MBMD方法用一个多余的在线更新深度分类器判断切换时机,利用SiamRPN类方法做局部跟踪和重检测【51】
- SPLT方法采用与MBMD方法类似的跟踪器和检测器,但是用一个离线训练的验证其代替在线更新的验证器,以提高检测速度【48】