代码地址：https://github.com/Daikenan/LTMU
论文地址：High-Performance Long-Term Tracking with Meta-Updater
LTMU是CVPR2020的oral，全文重点分析了跟踪过程中经典的模型更新问题。
作者一共在六个state-of-the-art的跟踪器上验证了meta-update的有效性，因此给出了六个trackers的代码，其中论文里面的结果应该是DiMP_LTMU跟踪器（PrDiMP+MU和Super_DiMP+MU的性能更优，但这两个跟踪器是在LTMU发表之后，所以作者也加了进去）。

一、创建虚拟环境

cd DiMP_LTMU

source create -n DiMP_LTMU python=3.7
source activate DiMP_LTMU
pip install -r requirements.txt
bash compile.sh

二、模型路径下载及路径放置

LTMU使用DiMP作为local tracker，但不同于DiMP的是，在尺寸回归分支，LTMU用的是SiamMask（分割使得尺寸回归更加精确），Verifier使用的是RT-MDNet来得到置信度得分，但置信度得分低于0时，开启重检测（使用GlobalTrack）。
所以一共用到五个网络模型：模型下载地址：https://pan.baidu.com/s/1-ZReq_Ls63IqsSQ28rdTXA[gzjm]
放置位置：

DiMP_LTMU/Global_Track/checkpoints/qg_rcnn_r50_fpn_coco_got10k_lasot.pth
DiMP_LTMU/pyMDNet/models/mdnet_imagenet_vid.pth
utils/metric_net/metric_model/metric_model.pt
DiMP_LTMU/SiamMask/experiments/siammask/SiamMask_VOT_LD.pth
DiMP_LTMU/pytracking/networks/dimp50.pth

三、代码运行

运行demo.py

四、如何进行meta-updater？

LTMU使用三阶段的级联LSTM来指导模型更新，充分挖掘视频的时序信息，包括geometric, discriminative and appearance cues三种信息，并输出一个二值决策，确定当前帧是否更新。

1. Geometric cue指的是历史帧的boundingbox集合，这些boundingbox联合起来可以分析出了目标的运动信息、尺寸变化情况
2. Discriminative cue指的是得到的响应图的峰值，峰值越高，说明当前模型的预测结果越可信
3. Appearance cue指的是作者自己离线训练的网络$W^A$，可以免于更新带来的噪声污染，类似于孪生网络的感觉，反映每一帧跟踪结果与第一帧（完全精确的boundingbox）的一个相似度得分$s_t^A$，计算公式如下。
   

作者通过全面挖掘这些信息，得到了一个二值决策，判断是否需要更新，对于长时跟踪效果确实很佳。