Localization-Guided Track：一种基于检测框定位置信度的深度关联多目标跟踪框架
计算机视觉与模式识别
2023-09-19 v1
摘要
在现有文献中，尚无基于检测跟踪（TBD）范式的跟踪方法考虑检测框的定位置信度。在大多数 TBD 方法中，认为低检测置信度的目标被高度遮挡，因此直接丢弃此类目标或降低其匹配优先级是常规做法。此外，外观相似性并非匹配这些目标时考虑的因素。然而，就融合分类与定位的检测置信度而言，低检测置信度的目标可能定位不准但外观清晰；类似地，高检测置信度的目标可能定位不准或外观不清；但这些目标未被进一步区分。鉴于这些问题，我们提出 Localization-Guided Track（LG-Track）。首先，定位置信度首次被应用于多目标跟踪（MOT），兼顾检测框的外观清晰度与定位精度，并设计了有效的深度关联机制；其次，基于分类置信度与定位置信度，可选择并使用更合适的代价矩阵；最后，在 MOT17 与 MOT20 数据集上进行了充分实验。结果表明，我们所提方法优于对比的先进跟踪方法。为惠及社区，我们的代码已公开于 https://github.com/mengting2023/LG-Track。
引用
@article{arxiv.2309.09765,
title = {Localization-Guided Track: A Deep Association Multi-Object Tracking Framework Based on Localization Confidence of Detections},
author = {Ting Meng and Chunyun Fu and Mingguang Huang and Xiyang Wang and Jiawei He and Tao Huang and Wankai Shi},
journal= {arXiv preprint arXiv:2309.09765},
year = {2023}
}
备注
11 pages, 4 figures