基于层次单分支网络的多目标跟踪
计算机视觉与模式识别
2021-01-07 v1
摘要
近期的多目标跟踪(MOT)方法逐渐尝试将目标检测与实例重识别(Re-ID)整合进统一网络以形成一站式解决方案。典型地，这些方法在单一网络内使用两个分离的分支分别完成检测与Re-ID，而未研究二者间的内在关联，这不可避免地阻碍了跟踪性能。本文中，我们提出一种基于层次单分支网络的在线多目标跟踪框架以解决该问题。具体而言，所提单分支网络利用改进的层次在线实例匹配(iHOIM)损失显式建模目标检测与Re-ID间的内在关联。我们新颖的iHOIM损失函数统一了两个子任务的目标，并即使在极度拥挤场景中也鼓励更好的检测性能与特征学习。此外，我们提议引入由运动模型预测的目标位置作为后续目标检测的区域提议，其直观在于检测结果与运动预测可在不同场景中互为补充。在MOT16与MOT20数据集上的实验结果表明，我们可达到最先进的跟踪性能，且消融研究验证了各提出组件的有效性。
引用
@article{arxiv.2101.01984,
title = {Multi-object Tracking with a Hierarchical Single-branch Network},
author = {Fan Wang and Lei Luo and En Zhu and Siwei Wang and Jun Long},
journal= {arXiv preprint arXiv:2101.01984},
year = {2021}
}