如何训练你的深度多目标跟踪器
计算机视觉与模式识别
2020-04-24 v3
摘要
近期基于视觉的多目标跟踪（MOT）趋势正朝着利用深度学习的表征能力，联合学习检测与跟踪对象的方向发展。然而，现有方法仅训练某些子模块，使用的损失函数通常与既定的跟踪评估指标（如多目标跟踪精度（MOTA）和准确度（MOTP））不相关。由于这些指标不可微，为多目标跟踪方法端到端训练选择合适的损失函数仍是一个开放的研究问题。本文通过提出 MOTA 和 MOTP 的可微代理来弥合这一差距，并将其组合为一个适用于深度多目标跟踪器端到端训练的损失函数。作为一个关键组成部分，我们提出了深度匈牙利网络（DHN）模块，该模块近似匈牙利匹配算法。DHN 允许估计对象轨迹与真实对象之间的对应关系，以计算 MOTA 和 MOTP 的可微代理，进而直接用于优化深度跟踪器。我们通过实验证明，所提出的可微框架提升了现有多目标跟踪器的性能，并在 MOTChallenge 基准上确立了新的 state of the art。我们的代码公开于 https://github.com/yihongXU/deepMOT。
引用
@article{arxiv.1906.06618,
title = {How To Train Your Deep Multi-Object Tracker},
author = {Yihong Xu and Aljosa Osep and Yutong Ban and Radu Horaud and Laura Leal-Taixe and Xavier Alameda-Pineda},
journal= {arXiv preprint arXiv:1906.06618},
year = {2020}
}
备注
14 pages, 9 figures, 6 tables