面向在线多人跟踪的实例感知表示学习与关联
计算机视觉与模式识别
2019-05-30 v1
摘要
多人跟踪（MPT）通常在检测至关联（detection-to-association）范式下解决。在此类方法中，首先提取每帧中的人体检测框，然后通过数据关联过程（通常为离线）恢复人物轨迹。然而，在存在检测错误、相互交互和遮挡的情况下，其性能通常会退化。本文提出一种基于深度学习的 MPT 方法，该方法学习被跟踪人物的实例感知表示，并在线鲁棒地推断被跟踪人物的状态。具体而言，我们设计了一个多分支神经网络（MBN），其以一批候选区域作为输入，预测所有目标的分类置信度与位置。在我们的 MBN 架构中，每个分支（实例子网络）对应于一个待跟踪个体，并且可以动态创建新分支以处理新出现的人物。然后基于 MBN 的输出，我们构建一个联合关联矩阵，表示被跟踪人物的有意义状态（例如，正在被跟踪或从场景中消失），并使用高效的匈牙利算法求解。此外，我们允许实例子网络在跟踪过程中通过在线挖掘困难样本进行更新，以应对人物外观随时间的变化。我们在流行的 MPT 基准上全面评估了我们的框架，证明了其与近期在线 MPT 方法相比的优异性能。
引用
@article{arxiv.1905.12409,
title = {Instance-Aware Representation Learning and Association for Online Multi-Person Tracking},
author = {Hefeng Wu and Yafei Hu and Keze Wang and Hanhui Li and Lin Nie and Hui Cheng},
journal= {arXiv preprint arXiv:1905.12409},
year = {2019}
}
备注
accepted by Pattern Recognition