AttTrack：面向多目标跟踪的在线深度注意力迁移
计算机视觉与模式识别
2022-10-28 v2
摘要
多目标跟踪（MOT）是监控和自动驾驶等智能视频分析应用的重要组成部分。执行用于视觉目标跟踪的深度学习模型所需的时间和存储复杂度阻碍了其在计算能力有限的嵌入式设备上的应用。在本文中，我们旨在通过在高复杂度网络（教师）的高级特征与轻量级网络（学生）之间，于训练和推理时均进行知识迁移来加速 MOT。所提出的 AttTrack 框架包含三个关键组件：1）跨模型特征学习，以对齐教师模型与学生模型的中间表示；2）在推理时交错执行两个模型；3）将教师模型的更新预测作为先验知识纳入以辅助学生模型。在 MOT17 和 MOT15 数据集上使用两种不同的目标检测骨干网络 YOLOv5 和 DLA34 进行的行人跟踪任务实验表明，AttTrack 能显著提升学生模型的跟踪性能，且仅带来微小的跟踪速度下降。
引用
@article{arxiv.2210.08648,
title = {AttTrack: Online Deep Attention Transfer for Multi-object Tracking},
author = {Keivan Nalaie and Rong Zheng},
journal= {arXiv preprint arXiv:2210.08648},
year = {2022}
}
备注
WACV 2023