学习用于多目标跟踪的神经求解器
计算机视觉与模式识别
2020-04-21 v2
摘要
图提供了一种在检测跟踪范式下自然表述多目标跟踪(MOT)的方式。然而，它们也为学习方法带来了重大挑战，因为定义一个能在此类结构化域上运行的模型并非易事。因此，大多数基于学习的工作致力于为MOT学习更好的特征，然后将这些特征与成熟的优化框架结合使用。在本工作中，我们利用MOT的经典网络流表述，定义基于消息传递网络(MPNs)的完全可微框架。通过直接在图域上操作，我们的方法可以对整组检测进行全局推理并预测最终解。因此，我们表明MOT中的学习不必局限于特征提取，也可应用于数据关联步骤。我们在三个公开基准上展示了MOTA和IDF1的显著提升。我们的代码见 https://bit.ly/motsolv 。
引用
@article{arxiv.1912.07515,
title = {Learning a Neural Solver for Multiple Object Tracking},
author = {Guillem Brasó and Laura Leal-Taixé},
journal= {arXiv preprint arXiv:1912.07515},
year = {2020}
}
备注
Accepted to CVPR 2020 (oral)