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