用于3D多目标跟踪的图神经网络
计算机视觉与模式识别
2020-08-24 v1 机器学习
多智能体系统
多媒体
机器人学
摘要
3D多目标跟踪（MOT）对自主系统至关重要。近期工作常采用检测即跟踪流水线，其中每个对象的特征被独立提取以计算亲和矩阵。然后，亲和矩阵被送入匈牙利算法进行数据关联。该流水线的一个关键过程是学习不同对象的判别性特征，以减少数据关联期间的混淆。为此，我们提出两项创新技术：（1）我们不再独立获取每个对象的特征，而是通过引入图神经网络提出一种新颖的特征交互机制；（2）我们不再像先前工作那样从2D或3D空间获取特征，而是提出一种新颖的联合特征提取器，从2D和3D空间学习外观与运动特征。通过在KITTI数据集上的实验，我们提出的方法实现了最先进的3D MOT性能。我们的项目网站位于 http://www.xinshuoweng.com/projects/GNN3DMOT。
引用
@article{arxiv.2008.09506,
title = {Graph Neural Networks for 3D Multi-Object Tracking},
author = {Xinshuo Weng and Yongxin Wang and Yunze Man and Kris Kitani},
journal= {arXiv preprint arXiv:2008.09506},
year = {2020}
}
备注
ECCV 2020 workshop paper. Project website: http://www.xinshuoweng.com/projects/GNN3DMOT. arXiv admin note: substantial text overlap with arXiv:2006.07327