MotionTrack:学习鲁棒短程与长程运动的多目标跟踪
计算机视觉与模式识别
2023-04-18 v2
摘要
多目标跟踪(Multi-Object Tracking, MOT)的主要挑战在于为每个目标维持连续轨迹。现有方法通常学习可靠的运动模式以在相邻帧间匹配同一目标,并学习判别性外观特征以在长时间后重新识别丢失目标。然而,在跟踪过程中,运动预测的可靠性和外观的判别性很容易被密集人群和极端遮挡所损害。在本文中,我们提出一种简单而有效的多目标跟踪器,即MotionTrack,它在统一框架中学习鲁棒的短程和长程运动,以从短到长范围关联轨迹。对于密集人群,我们设计了一种新颖的交互模块(Interaction Module)从短程轨迹学习感知交互的运动,可估计每个目标的复杂运动。对于极端遮挡,我们构建了一种新颖的重寻模块(Refind Module)从目标历史轨迹学习可靠的长程运动,可将中断的轨迹与其对应检测相连。我们的交互模块和重寻模块嵌入于著名的按检测跟踪(tracking-by-detection)范式中,可协同工作以保持优越性能。在MOT17和MOT20数据集上的大量实验结果证明了我们的方法在挑战性场景中的优越性,并在各项MOT指标上取得了最先进(state-of-the-art)性能。
引用
@article{arxiv.2303.10404,
title = {MotionTrack: Learning Robust Short-term and Long-term Motions for Multi-Object Tracking},
author = {Zheng Qin and Sanping Zhou and Le Wang and Jinghai Duan and Gang Hua and Wei Tang},
journal= {arXiv preprint arXiv:2303.10404},
year = {2023}
}
备注
Accepted by CVPR2023!