基于稀疏图跟踪器的在线多目标跟踪检测恢复
计算机视觉与模式识别
2023-09-21 v3
摘要
在现有的检测与跟踪联合方法中，成对关系特征被用于匹配先前的轨迹片段与当前检测。然而，这些特征可能不足以让跟踪器从大量检测中辨识出目标。仅选择高置信度得分的检测进行跟踪，可能导致置信度得分低的检测被漏检。因此，在在线设置下，这会造成轨迹片段断裂且无法恢复。对此，我们提出稀疏图跟踪器（Sparse Graph Tracker, SGT），一种新颖的在线图跟踪器，它利用更具判别力的高阶关系特征，通过聚合邻近检测及其关系特征来实现。SGT将视频数据转换为图，其中检测、检测间的连接以及两个相连节点的关系特征分别由节点、边和边特征表示。强大的边特征使SGT能够使用由较大K值下Top-K得分检测所选择的跟踪候选来跟踪目标。因此，即使是低分检测也能被跟踪，漏检也被恢复。K值的鲁棒性通过大量实验得到展示。在MOT16/17/20和HiEve Challenge中，SGT以实时推理速度优于最先进的跟踪器。特别是在MOT20和HiEve Challenge中，MOTA有大幅提升。代码见 https://github.com/HYUNJS/SGT。
引用
@article{arxiv.2205.00968,
title = {Detection Recovery in Online Multi-Object Tracking with Sparse Graph Tracker},
author = {Jeongseok Hyun and Myunggu Kang and Dongyoon Wee and Dit-Yan Yeung},
journal= {arXiv preprint arXiv:2205.00968},
year = {2023}
}
备注
Accepted to WACV 2023; fix figures