用于多目标跟踪与轨迹预测的联合学习架构
计算机视觉与模式识别
2021-08-25 v1
摘要
本文介绍了一种用于多目标跟踪（MOT）和轨迹预测的联合学习架构（JLA），其目标是同时预测目标的当前和未来轨迹。运动预测被广泛应用于多种最先进的 MOT 方法中，以细化边界框形式的预测。通常，卡尔曼滤波器提供短期估计，帮助跟踪器在当前帧中正确预测目标的位置。然而，基于卡尔曼滤波器的方法无法预测非线性轨迹。我们提出联合训练一个跟踪和轨迹预测模型，并使用预测的轨迹预报进行短期运动估计，以替代卡尔曼滤波器等线性运动预测方法。我们在 MOTChallenge 基准上评估了我们的 JLA。评估结果表明，与 FairMOT 相比，JLA 在短期运动预测方面表现更优，并在 MOT16、MOT17 和 MOT20 数据集中分别将 ID 切换减少了 33%、31% 和 47%。
引用
@article{arxiv.2108.10543,
title = {Joint Learning Architecture for Multiple Object Tracking and Trajectory Forecasting},
author = {Oluwafunmilola Kesa and Olly Styles and Victor Sanchez},
journal= {arXiv preprint arXiv:2108.10543},
year = {2021}
}