基于流动与融合的多目标跟踪
计算机视觉与模式识别
2020-01-31 v1
摘要
大多数多目标跟踪(MOT)方法为两个子任务计算独立的目标特征：估计目标级运动与进行成对重识别(Re-ID)。由于视频帧间目标数量不定，这两个子任务在端到端深度神经网络(DNNs)中均极难高效扩展。本文设计了一种端到端DNN跟踪方法——Flow-Fuse-Tracker (FFT)，以两种高效技术解决上述问题：目标流动与目标融合。具体而言，在目标流动中，FlowTracker DNN模块从像素级光流联合学习不定数量的目标级运动。在目标融合中，FuseTracker DNN模块对FlowTracker与逐帧目标检测所提出的目标进行精炼与融合，而非轻信两者中任一不准确的候选源。由于FlowTracker可探索复杂的目标级运动模式，且FuseTracker能从FlowTracker与检测器精炼并融合目标，我们的方法在多个MOT基准上取得了SOTA结果。作为一种在线MOT方法，FFT在2DMOT15上取得了46.3的顶级MOTA，在MOT16上取得56.5，在MOT17跟踪基准上取得56.5，超越了现有文献中的所有在线与离线方法。
引用
@article{arxiv.2001.11180,
title = {Multiple Object Tracking by Flowing and Fusing},
author = {Jimuyang Zhang and Sanping Zhou and Xin Chang and Fangbin Wan and Jinjun Wang and Yang Wu and Dong Huang},
journal= {arXiv preprint arXiv:2001.11180},
year = {2020}
}