long-term tracking with meta-updater
ltmu 2020長時跟蹤資料集有：
深度學習基礎的短時跟蹤，往往都從 one-shot learning和online learning兩個角度
one-shot學習如 siamfc / siamrpn 等速度會更加快
splt
siamfc+r
貢獻 設計了乙個成熟的框架：siamrpn-based re-detector + online verifier + online local tracker + meta-updater，可以較安全的結合短期和長期的優點強度
在vot2018lt, vot2019lt, oxuvalt, tlp and lasot等長期跟蹤資料集上都做了測試。
但是 更新是雙刃劍，需要平衡dynamic information description和unexcepted noise introduction，比如遮擋，當目標消失之後 degrade and drift
meta-updater 在時序上(lstm)整合了多個cue，外觀資訊，幾何資訊，判別結果，用於判斷當前幀是否更新（二值輸出）
長時跟蹤中很多 meta-learning-based 方法被提出來，但是大多都是解決 「how to update」，meta-updater 解決的是 「when to update」！
discriminative cue：其實local tracking就是分類任務：把目標和他的surrounding背景區分開，大部分短時***都會輸出乙個響應圖(mdnet只輸出乙個值)，使用cnn從響應圖中挖掘跟蹤置信度，r->v：vtr
=fr(
rt;w
r)\mathbf_^=f^\left(\mathbf_ ; \mathbf^\right)
vtr=f
r(rt
;wr
)
sequential information：xt=
[xt−
ts+1
;…;x
t−1;
xt]∈
rd×t
s\mathbf_=\left[\mathbf_+1} ; \ldots ; \mathbf_ ; \mathbf_\right] \in \mathbb^}
xt=[x
t−ts
+1
;…;x
t−1
;xt
]∈rd
×ts
級聯lstm框架：
深度學習之多目標檢測與跟蹤
支援用自己的資料訓練模型。tensorflow實現，包含了以下部分 快速開始 四個步驟，速速上車。1.複製這個檔案 2.在使用 前，先安裝一些依賴項 cd tensorflow yolov3 pip install r docs requirements.txt3.把載入好的coco權重匯出為tf ...
深度學習之目標跟蹤
一.跟蹤進展 advances in visual tracking 作者在前面的機器學習文章中也講到了 tracking，感興趣的童鞋可以 review一下 機器學習實踐系列之5 目標跟蹤 前面只是基於傳統方法的跟蹤，這一篇我們 focus 在深度學習上。關注跟蹤演算法的進展，只需要 follow...
基於深度學習的目標跟蹤
基於深度學習的目標檢測 基於深度學習的目標檢測綜述 目標檢測演算法匯聚 目標檢測演算法總結 10行 實現目標檢測 深度學習目標檢測 綜述 作者的個人理解 一刀流 tensorflow實現的目標檢測 有github 目標檢測演算法簡介，都是文字 內容摘要 r cnn是region based conv...