【目标跟踪】|模板更新 时间上下文信息（UpdateNet）《Learning the Model Update for Siamese Trackers》

文章标题：《Learning the Model Update for Siamese Trackers》
文章地址：[1] arXiv，[2] ICCV2019 openaccess
github地址：https://github.com/zhanglichao/updatenet

更新策略

仅使用第一帧初始模板

在早期的 Siamese 跟踪器里，第一帧就对目标模板进行初始化，后面都固定使用这个模板进行跟踪。然而实际任务中目标外观变化通常很明显，如果不能有效地更新目标模板，很快就会跟踪失败。

线性更新

为了解决这个问题，目前已经有人做了一些简单的更新策略，通过固定学习率的移动平均方法，对目标模板进行线性更新：

我们认为这种方法有一些缺点：

• 对于所有视频，它都用一个固定的更新率。但是不同情况下，对于更新的需求是不一样的，要考虑的因素很复杂。例如相机运动模糊，不同时刻的动态变化等。
• 这个更新率对于模板的所有空间维度（包括通道维度）上也是固定的。但有时候我们只需要更新模板的一部分，例如发生遮挡时。
• 跟踪器不能从累计漂移中恢复过来。随着模板的更新，我们失去了 T 0 的原始信息，而第一帧的模板 T0才是我们最开始想要跟踪的目标。
• 公式（1）只是一个非常简单的线性组合，但是我们需要灵活的更新机制，这在目标外观变化复杂时非常有必要。用更复杂的组合函数也许会好点。

自适应更新

更新算法永远都会考虑第一帧的模板 提供了高度可靠的信息，增强了对于后期跟踪漂移的鲁棒性。

ref
翻译
https://blog.csdn.net/PAN_Andy/article/details/103008079
https://blog.csdn.net/Yemiekai/article/details/123014839、