基于非对称对象间约束的深度连续条件随机场用于在线多目标跟踪
计算机视觉与模式识别
2018-06-05 v1
摘要
在线多目标跟踪（MOT）是一个具有挑战性的问题，并在智能监控、机器人导航与自动驾驶等许多重要应用中有广泛需求。在现有 MOT 方法中，单个对象运动与对象间关系大多被分别建模，且二者关系仍靠人工调参。此外，对象间关系多以对称方式建模，我们认为这并非最优设置。为应对这些困难，本文提出一种深度连续条件随机场（DCCRF），在检测即跟踪框架下解决在线 MOT 问题。DCCRF 由一元项与成对项组成。一元项基于视觉外观信息估计被跟踪对象跨时间的位移，被建模为深度卷积神经网络，能够学习用于轨迹片段关联的可判别视觉特征。非对称成对项以非对称方式建模对象间关系，鼓励高置信度轨迹片段帮助纠正低置信度片段的错误，且不受低置信度片段太大影响。DCCRF 以端到端方式训练，以更好适应视觉信息及对象间关系的影响。在两大公开基准上与 SOTA 的广泛实验对比及对我们所提 DCCRF 的详细组件分析，证明了该 MOT 框架的有效性。
引用
@article{arxiv.1806.01183,
title = {Deep Continuous Conditional Random Fields with Asymmetric Inter-object Constraints for Online Multi-object Tracking},
author = {Hui Zhou and Wanli Ouyang and Jian Cheng and Xiaogang Wang and Hongsheng Li},
journal= {arXiv preprint arXiv:1806.01183},
year = {2018}
}
备注
Accepted to TCSVT