一种用于在线多目标跟踪的统一目标运动与亲和度模型
计算机视觉与模式识别
2020-04-06 v2
摘要
当前流行的在线多目标跟踪（MOT）解决方案应用单目标跟踪器（SOTs）来捕获目标运动，同时通常需要一个额外的亲和度网络来关联目标，尤其是被遮挡的目标。这为 SOT 和亲和度计算的重复特征提取带来了额外的计算开销。同时，复杂亲和度网络的模型规模通常不容小觑。本文中，我们提出一种新颖的 MOT 框架，将目标运动与亲和度模型统一到单一网络中，名为 UMA，以学习对目标运动和亲和度度量均有判别力的紧凑特征。特别地，UMA 通过多任务学习将单目标跟踪和度量学习集成到一个统一的三元组网络中。这种设计带来了计算效率提升、内存需求低和训练流程简化的优势。此外，我们为模型配备了一个任务特定的注意力模块，用于促进任务感知的特征学习。所提 UMA 可轻松端到端训练，且简洁优雅——仅需一个训练阶段。实验结果表明其在多个 MOT Challenge 基准上取得了有前景的性能。
引用
@article{arxiv.2003.11291,
title = {A Unified Object Motion and Affinity Model for Online Multi-Object Tracking},
author = {Junbo Yin and Wenguan Wang and Qinghao Meng and Ruigang Yang and Jianbing Shen},
journal= {arXiv preprint arXiv:2003.11291},
year = {2020}
}
备注
Accepted to CVPR 2020. Code: https://github.com/yinjunbo/UMA-MOT