FairMOT：多目标跟踪中检测与重识别的公平性研究
计算机视觉与模式识别
2021-10-20 v6
摘要
多目标跟踪（MOT）是计算机视觉中的一个重要问题，具有广泛的应用。将 MOT 表述为在单个网络中进行目标检测和重识别（re-ID）的多任务学习很有吸引力，因为它允许对这两个任务进行联合优化，并享有高计算效率。然而，我们发现这两个任务往往会相互竞争，需要仔细处理。特别是，以往的工作通常将重识别视为次要任务，其准确性严重受主要检测任务的影响。结果，网络偏向于主要检测任务，这对重识别任务不公平。为了解决这个问题，我们提出了一种简单而有效的方法，称为 FairMOT，该方法基于无锚点目标检测架构 CenterNet。请注意，这并非 CenterNet 和重识别的简单组合。相反，我们通过深入的实证研究，提出了一系列对于实现良好跟踪结果至关重要的详细设计。最终的方法在检测和跟踪方面都达到了高精度。该方法在多个公共数据集上以较大优势超越了最先进的方法。源代码和预训练模型已发布在 https://github.com/ifzhang/FairMOT。
引用
@article{arxiv.2004.01888,
title = {FairMOT: On the Fairness of Detection and Re-Identification in Multiple Object Tracking},
author = {Yifu Zhang and Chunyu Wang and Xinggang Wang and Wenjun Zeng and Wenyu Liu},
journal= {arXiv preprint arXiv:2004.01888},
year = {2021}
}
备注
IJCV 2021