用于目标检测、多目标跟踪与车辆重识别的统一神经网络
计算机视觉与模式识别
2019-07-09 v1
摘要
Deep SORT\cite{wojke2017simple} 是一种基于检测跟踪的多目标跟踪方法，包含一个检测器与一个 RE-ID 模型。分别训练并使用两个模型进行推理十分耗时。本文中，我们在 Faster RCNN 架构中增加一条用于跟踪的跟踪分支，将检测器与 RE-ID 模型统一为一个端到端网络。借助统一网络，我们得以用多损失对整体模型进行端到端训练，这已在其他近期工作中展现出诸多益处。Deep SORT 中的 RE-ID 模型需使用深度 CNN 从检测出的目标图像提取特征图，而我们提出网络中的跟踪分支直接利用 Faster RCNN 基线中的 RoI 特征向量，从而减少了计算量。由于单张图像缺乏使用三元组损失优化跟踪分支所需的同一目标，我们将视频中相邻帧拼接以构建训练数据集。我们在 AIC19 车辆跟踪数据集上训练并评估了我们的模型，实验表明以 resnet101 为骨干的模型可达到 57.79 \% mAP 并良好地跟踪车辆。
引用
@article{arxiv.1907.03465,
title = {A unified neural network for object detection, multiple object tracking and vehicle re-identification},
author = {Yuhao Xu and Jiakui Wang},
journal= {arXiv preprint arXiv:1907.03465},
year = {2019}
}