基于自监督关联网络的多目标跟踪
计算机视觉与模式识别
2020-10-27 v1
摘要
多目标跟踪（Multi-Object Tracking, MOT）是一项具有很大发展潜力的任务，且仍有许多问题亟待解决。在传统的基于检测跟踪范式中，已有大量关于基于特征的目标重识别方法的工作。然而，该方法存在训练数据匮乏的问题。标注多目标跟踪数据集时，视频序列中每个检测都需要其位置与ID。由于为每序列中每个检测分配连续ID是一项极其耗费人力的任务，当前多目标跟踪数据集不足以训练重识别网络。因此本文提出一种利用大量无人工标注短视频的新型自监督学习方法，并通过以自监督方式训练的重识别网络提升跟踪性能，以解决训练数据不足问题。尽管重识别网络以自监督方式训练，其在MOT17测试基准上取得了MOTA 62.0%与IDF1 62.6%的当前最优性能。此外，随着像使用大量数据学习那样性能得到提升，这展示了自监督方法的潜力。
引用
@article{arxiv.2010.13424,
title = {Multi-object tracking with self-supervised associating network},
author = {Tae-young Chung and Heansung Lee and Myeong Ah Cho and Suhwan Cho and Sangyoun Lee},
journal= {arXiv preprint arXiv:2010.13424},
year = {2020}
}