面向无人 aerial 系统应用基于深度学习集成的多目标跟踪
计算机视觉与模式识别
2021-10-06 v1 机器学习
机器人学
摘要
多目标跟踪(MOT)是军事防御应用中态势感知的关键组成部分。随着无人 aerial 系统(UASs)的日益使用，用于空中监视的MOT方法需求旺盛。UAS中MOT的应用带来特定挑战，如运动传感器、变焦级别变化、动态背景、光照变化、遮挡和小目标。本工作中，我们提出了一种鲁棒的目标跟踪架构，旨在适应实时情形中的噪声。我们提出了一种称为深度扩展卡尔曼滤波(DeepEKF)的运动学预测模型，其中使用序列到序列架构在隐空间中预测实体轨迹。DeepEKF利用学习的图像嵌入以及注意力机制（训练用于加权图像中区域的重要性）来预测未来状态。对于视觉打分，我们尝试了不同的相似度度量来基于实体外观计算距离，包括使用孪生网络预训练的卷积神经网络(CNN)编码器。在初步评估实验中，我们表明，在MHT框架内结合运动学与视觉模型的打分结构的方法具有改进的性能，尤其在实体运动不可预测或数据出现显著间隙帧的边缘情形中。
引用
@article{arxiv.2110.02044,
title = {Multi-Object Tracking with Deep Learning Ensemble for Unmanned Aerial System Applications},
author = {Wanlin Xie and Jaime Ide and Daniel Izadi and Sean Banger and Thayne Walker and Ryan Ceresani and Dylan Spagnuolo and Christopher Guagliano and Henry Diaz and Jason Twedt},
journal= {arXiv preprint arXiv:2110.02044},
year = {2021}
}