学习具有上下文交互的多目标跟踪最优参数
计算机视觉与模式识别
2016-10-14 v1
摘要
我们描述了一个端到端框架，用于学习具有二次轨迹交互（包括抑制重叠轨迹以及关于不同目标共现的上下文线索）的最小代价流多目标跟踪问题的参数。我们的方法利用结构化预测和跟踪特定的损失函数来学习完整的模型参数集。在此学习框架中，我们评估了两种在二次模型目标下寻找最优轨迹集的不同方法：一种基于线性规划（LP）松弛，另一种基于处理成对交互的动态规划的新型贪婪变体。我们发现，贪婪算法在精度上几乎与LP松弛相当，但速度比商业LP求解器快达10倍。我们在三个具有挑战性的基准上评估了训练后的模型。令人惊讶的是，我们发现通过适当的参数学习，我们这种没有显式外观/运动推理的简单数据关联模型，能够达到与许多使用远更复杂的运动特征或外观亲和力度量学习的最先进方法相当或更好的精度。
引用
@article{arxiv.1610.01394,
title = {Learning Optimal Parameters for Multi-target Tracking with Contextual Interactions},
author = {Shaofei Wang and Charless C. Fowlkes},
journal= {arXiv preprint arXiv:1610.01394},
year = {2016}
}
备注
arXiv admin note: text overlap with arXiv:1412.2066