用于体育多目标跟踪的迭代尺度放大 ExpansionIoU 与深度特征关联
计算机视觉与模式识别
2023-11-22 v5
摘要
基于深度学习的物体检测器推动了多目标跟踪算法的显著进展。然而，当前跟踪方法主要关注行人或车辆等简单、规则的运动模式。这为具有非线性、不规则运动（如运动员）目标的跟踪算法留下了空白。此外，近期跟踪算法对卡尔曼滤波的依赖在物体运动违背其线性假设时表现不佳。为克服这些问题，我们提出一种名为深度 ExpansionIoU（Deep-EIoU）的新型在线鲁棒多目标跟踪方法，专注于体育场景下的多目标跟踪。与传统方法不同，我们弃用卡尔曼滤波，并利用迭代尺度放大 ExpansionIoU 与深度特征实现体育场景中的鲁棒跟踪。该方法在无需采用更鲁棒检测器的情况下取得了优越跟踪性能，同时保持跟踪过程的在线特性。我们提出的方法在跟踪不规则运动物体方面表现出显著有效性，在 SportsMOT 数据集上取得 77.2% HOTA 分数，在 SoccerNet-Tracking 数据集上取得 85.4% HOTA 分数。它在涵盖多种体育场景的各大规模多目标跟踪基准上优于所有先前的 SOTA 跟踪器。代码与模型见 https://github.com/hsiangwei0903/Deep-EIoU。
引用
@article{arxiv.2306.13074,
title = {Iterative Scale-Up ExpansionIoU and Deep Features Association for Multi-Object Tracking in Sports},
author = {Hsiang-Wei Huang and Cheng-Yen Yang and Jiacheng Sun and Pyong-Kun Kim and Kwang-Ju Kim and Kyoungoh Lee and Chung-I Huang and Jenq-Neng Hwang},
journal= {arXiv preprint arXiv:2306.13074},
year = {2023}
}