深入探究多目标跟踪中的轨迹长尾分布

多目标跟踪是计算机视觉领域的一个重要研究方向，具有广泛的实际应用。当前的研究主要集中在跟踪算法的开发和后处理技术的提升上。然而，对跟踪数据本身的性质缺乏深入考察。在本研究中，我们率先探索了跟踪数据的分布模式，并发现现有 MOT 数据集中存在显著的长尾分布问题。我们注意到不同行人的轨迹长度分布存在严重不平衡，我们将这一现象称为“行人轨迹长尾分布”。为应对这一挑战，我们引入了一种定制策略以减轻这种偏态分布的影响。具体而言，我们提出了两种数据增强策略，包括针对视角状态的静止相机视角数据增强和动态相机视角数据增强，以及用于 Re-ID 的组 Softmax (GS) 模块。SVA 用于回溯并预测尾类行人的轨迹，DVA 则使用扩散模型改变场景背景。GS 将行人划分为不相关的组，并在每组内单独进行 softmax 操作。我们提出的策略可以集成到许多现有的跟踪系统中，大量实验验证了我们的方法在减轻长尾分布对多目标跟踪性能影响方面的有效性。代码可在 https://github.com/chen-si-jia/Trajectory-Long-tail-Distribution-for-MOT 获取。