面向多目标跟踪的特征自适应持续学习跟踪器
计算机视觉与模式识别
2024-09-13 v1
摘要
多目标跟踪（MOT）涉及在视频序列中识别多个目标并为其分配相应的 ID，其中常常遇到遮挡问题。最近的方法通过在线学习技术利用外观线索来解决遮挡问题，以提高适应性或利用视频的时序信息。然而，大多数现有的基于在线学习的 MOT 方法无法从所有过去的跟踪信息中学习以提高对长期遮挡的适应性，同时维持实时跟踪速度。另一方面，基于时序信息的离线学习方法维护长期记忆来存储过去的跟踪信息，但这一方法限制了它们在跟踪期间仅使用局部过去信息。为解决这些挑战，我们提出了新的 MOT 框架，称为特征自适应持续学习跟踪器（FACT），使其能够在利用所有过去跟踪信息的同时实现实时跟踪和特征学习。我们展示了该框架可以集成到 various state-of-the-art 基于特征的跟踪器中，从而提高其跟踪能力。具体而言，我们开发了特征自适应持续学习（FAC）模块，一个可以在跟踪期间使用所有过去跟踪信息进行在线训练以自适应学习特征的神经网络。此外，我们还引入了一个专为该持续学习-based 跟踪设计的两个阶段关联模块。大量实验结果表明，所提出的方法在 MOT17 和 MOT20 基准测试中实现了最先进的在线跟踪性能。代码将在接受后发布。
引用
@article{arxiv.2409.07904,
title = {FACT: Feature Adaptive Continual-learning Tracker for Multiple Object Tracking},
author = {Rongzihan Song and Zhenyu Weng and Huiping Zhuang and Jinchang Ren and Yongming Chen and Zhiping Lin},
journal= {arXiv preprint arXiv:2409.07904},
year = {2024}
}