CAMELTrack：面向在线多目标跟踪的上下文感知多线索利用方法
计算机视觉与模式识别
2025-05-05 v1 机器学习
摘要
在线多目标跟踪近来由基于检测的跟踪 (TbD) 方法主导，其最新进展依赖于日益复杂的启发式方法，用于轨迹片段表示、特征融合和多阶段匹配。TbD 的关键优势在于其模块化设计，能够集成现成的专用模型，如运动预测器和重识别模型。然而，大量使用人工制定的时序关联规则，使得这些方法在捕捉各种跟踪线索之间复杂相互作用的能力上存在固有局限。在这项工作中，我们引入了 CAMEL，一种新颖的上下文感知多线索利用关联模块，它直接从数据中学习具有弹性的关联策略，摆脱了手工制定的启发式规则，同时保留了 TbD 宝贵的模块化特性。其核心是，CAMEL 采用两个基于 Transformer 的模块，并依赖一种新颖的以关联为中心的训练方案，以有效建模被跟踪目标与其各种关联线索之间的复杂交互。与端到端的基于检测的跟踪方法不同，我们的方法保持轻量级且训练快速，同时能够利用外部现成模型。我们提出的在线跟踪流程 CAMELTrack 在多个跟踪基准上达到了最先进的性能。我们的代码可在 https://github.com/TrackingLaboratory/CAMELTrack 获取。
引用
@article{arxiv.2505.01257,
title = {CAMELTrack: Context-Aware Multi-cue ExpLoitation for Online Multi-Object Tracking},
author = {Vladimir Somers and Baptiste Standaert and Victor Joos and Alexandre Alahi and Christophe De Vleeschouwer},
journal= {arXiv preprint arXiv:2505.01257},
year = {2025}
}