本文主要是介绍【Meta-tracker(ECCV2018)】论文阅读，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
Meta-Tracker: Fast and Robust Online Adaptation for Visual Object Trackers 论文地址 代码
写在前面
因为我自己对元学习没有太细致了解过，所以想要深刻理解这篇论文可能还是需要比较扎实的meta-learning基础，这篇文章将元学习引入目标跟踪中，对比了CREST和MDNet加了meta-learning之后的结果，在这两个tracker上都有用，作者表明对所有基于学习的tracker，meta-learning都管用。现在做跟踪还是多个领域融合才能出新东西了。
Motivation
- 目前很多的tracker在模型初始化上花了很多时间，这篇文章就希望找到一个高效的模型初始化方法；
- 在模型初始化的时候如果我们能知道后续目标是怎么变化的，就能更好的构建模型，指导模型的初始化。
Contribution
- 提出了Meta-tracker，将其应用在目前已有的tracker上，解释了如何在基于相关滤波和基于深度学习的tracker上嵌入元学习。
Algorithm
其实算法的话，文章花了很大的篇幅解释了Meta-tracker，这个Meta-training过程在论文里用一段简单的伪代码展示，还挺容易懂的：
主要就是想学习一个 θ 0 \theta_0 θ0 和 α \alpha α，这个 θ 0 \theta_0 θ0就是网络的参数，不过是比我们常见的权重和偏差参数不同，这是在Meta-learning中定义的，也就是整个网络的参数（具体要去参考Meta-learning的论文）， α \alpha α是整个网络的学习率。以上这个算法其实就是在第一帧初始化的时候用了后续帧的信息，然后随机选择一帧，用当前的 θ \theta θ 去预测，提高 θ \theta θ 的泛化能力。文章也提到了这个做法存在的一个问题，就是这个方法想要在第一帧快速收敛，所以学习率就会很大，这会使得网络很容易过拟合。
Meta-tracker 在MDNet上应用
文章后面提到了两个tracker上面的应用，因为CREST我没看过，这里我就以MDNet为例。
MDNet在训练阶段使用了Multi-domain的训练方式，在这篇文章由于Meta-learning学到的参数泛化性比较好，所以就只是以正常的训练方式，然后网络的Meta的参数学习和Algorithm 1一样。（但是师兄说过其实这个Multi-Domain的训练只是噱头，重要的是网络结构）
文章还提到了因为目标检测的库里面包含的类太少，所以算法在做的时候可能会把一些没见过的类分为背景，所以这个算法在样本选择之后会对样本做随机漂移，有些正样本标记为负样本酱。其实这个操作就是把负样本也当成了一个当前类，丰富了当前类的多样性，但是这样还是会对结果产生影响吧，对cluster的分辨性能可能会变差。
文章强调MDNet慢是因为它初始化太慢，所以加快了初始化就很大程度上加快MDNet大概30倍
Experiment
因为主要是想表述Meta-learning的作用，所以大部分实验都是在对比与原始tracker之间的提升。
总结
看的云里雾里的文章，做法比较新？（没看过Meta-learning的只能喊666），然后文章真的很喜欢用长句，看的吐血。Meta-learning对我来说还是很迷啊～主要贡献就是这个了吧，花了很大篇幅解释了Meta-training，然后讲了如何将Meta-learning用在tracker上。唉，不是很懂，先记一下，后期等我了解了这个领域再来更新吧
优点
- 解释了如何使用Meta-training以及做了很多实验表明其优越性。
缺点
- 维持了MDNet的缺点，包括慢，精度还是不够高，etc。
这篇关于【Meta-tracker(ECCV2018)】论文阅读的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
![[论文笔记]LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale](https://img-blog.csdnimg.cn/img_convert/172ed0ed26123345e1773ba0e0505cb3.png)
