FAMNet：面向在线多目标跟踪的特征、亲和度与多维分配联合学习
计算机视觉与模式识别
2019-04-11 v1
摘要
基于数据关联的多目标跟踪（MOT）涉及多个分离模块的分别处理或优化，导致方法设计复杂且需要繁琐的参数调优。本文提出一种端到端模型，称为FAMNet，其中特征提取、亲和度估计和多维分配在单一网络内得到精炼。FAMNet中的所有层均设计为可微分，因此可联合优化以学习判别性特征和高阶亲和度模型，从而实现鲁棒的多目标跟踪，并由来自分配真值的损失直接监督。我们还将单目标跟踪技术与专用的目标管理方案集成到基于FAMNet的跟踪系统中，以进一步召回漏检目标并抑制外部检测器产生的噪声目标候选。所提方法在MOT2015、MOT2017、KITTI-Car和UA-DETRAC等多个基准上进行了评估，与当前最优方法相比，在所有基准上均取得了有前景的性能。
引用
@article{arxiv.1904.04989,
title = {FAMNet: Joint Learning of Feature, Affinity and Multi-dimensional Assignment for Online Multiple Object Tracking},
author = {Peng Chu and Haibin Ling},
journal= {arXiv preprint arXiv:1904.04989},
year = {2019}
}