聚焦细节：基于多样化细粒度表示的多目标在线跟踪
计算机视觉与模式识别
2023-03-09 v3
摘要
在多目标跟踪（MOT）中，判别性表示对于为每个目标保持唯一标识至关重要。近期一些 MOT 方法提取边界框区域或中心点的特征作为身份嵌入。然而，当目标被遮挡时，这些粗粒度全局表示变得不可靠。为此，我们提出探索多样化细粒度表示，从全局与局部视角全面描述外观。该细粒度表示需要高特征分辨率与精确语义信息。为有效缓解无差别上下文信息聚合引起的语义错位，提出流对齐 FPN（FAFPN）用于多尺度特征对齐聚合。其在不同分辨率特征图间生成语义流以变换像素位置。此外，我们提出多头部件掩码生成器（MPMG），基于对齐特征图提取细粒度表示。MPMG 的多个并行分支使其无需标签监督即可聚焦于目标不同部位生成局部掩码。目标掩码中的多样化细节有助于细粒度表示。最终，得益于正负样本均衡的洗牌分组采样（SGS）训练策略，我们在 MOT17 与 MOT20 测试集上取得最先进性能。即使在目标外观极为相似的 DanceTrack 上，我们的方法在 HOTA 上显著优于 ByteTrack 5.0%，在 IDF1 上优于 5.6%。大量实验证明，多样化细粒度表示使 Re-ID 在 MOT 中重焕生机。
引用
@article{arxiv.2302.14589,
title = {Focus On Details: Online Multi-object Tracking with Diverse Fine-grained Representation},
author = {Hao Ren and Shoudong Han and Huilin Ding and Ziwen Zhang and Hongwei Wang and Faquan Wang},
journal= {arXiv preprint arXiv:2302.14589},
year = {2023}
}
备注
Accepted by CVPR2023