改进灾害响应无人机的目标检测、多目标跟踪与重识别
计算机视觉与模式识别
2022-01-06 v1
摘要
我们旨在利用多相机和计算机视觉为灾害响应无人机检测和识别多个目标。主要挑战包括抑制检测错误、解决ID切换与碎片化、适应多尺度特征以及具有全局相机运动的多种视角。提出了两种简单的方法来解决这些问题。一种是增加了轨迹关联的快速多相机系统，另一种是将高性能检测器和跟踪器结合以突破限制。（……）我们的第一种方法（85.71%）在验证集上相比基线FairMOT（85.44%）略有提升。在基于L2范数误差计算的最终结果中，基线为48.1，而提出的模型组合为34.9，误差大幅降低了27.4%。在第二种方法中，尽管由于硬件和时间限制DeepSORT仅处理了所有帧的四分之一，我们结合DeepSORT的模型在召回率上优于FairMOT（71.4%对42.9%）。我们的两个模型分别在韩国科学技术信息通信部于2020和2021年组织的“AI Grand Challenge”中获得第二和第三名。源代码公开于以下URL（github.com/mlvlab/drone_ai_challenge、github.com/mlvlab/Drone_Task1、github.com/mlvlab/Rony2_task3、github.com/mlvlab/Drone_task4）。
引用
@article{arxiv.2201.01494,
title = {Improving Object Detection, Multi-object Tracking, and Re-Identification for Disaster Response Drones},
author = {Chongkeun Paik and Hyunwoo J. Kim},
journal= {arXiv preprint arXiv:2201.01494},
year = {2022}
}