NetTrack：利用网络跟踪高动态目标
计算机视觉与模式识别
2024-03-19 v1
摘要
开放世界物体的复杂动态性给多目标跟踪（MOT）带来了不可忽视的挑战，通常表现为严重的变形、快速运动和遮挡。大多数仅依赖于粗粒度物体线索（如边界框和物体整体外观）的方法，由于动态物体内部关系的扭曲而容易退化。为了解决这个问题，本工作提出了 NetTrack，这是一个高效、通用且低成本的跟踪框架，旨在引入对动态性具有鲁棒性的细粒度学习。具体而言，NetTrack 利用点级视觉线索构建了一个具有细粒度网络的动态感知关联。相应地，结合了细粒度采样器和匹配方法。此外，NetTrack 学习物体-文本对应关系以进行细粒度定位。为了在极端动态的开放世界场景中评估 MOT，构建了一个鸟群跟踪（BFT）数据集，该数据集具有高动态性，包含多样的物种和开放世界场景。在 BFT 上的综合评估验证了细粒度学习对物体动态性的有效性，而在具有挑战性的开放世界基准（即 TAO、TAO-OW、AnimalTrack 和 GMOT-40）上的彻底迁移实验，验证了 NetTrack 即使在没有微调的情况下也具有强大的泛化能力。项目页面：https://george-zhuang.github.io/nettrack/。
引用
@article{arxiv.2403.11186,
title = {NetTrack: Tracking Highly Dynamic Objects with a Net},
author = {Guangze Zheng and Shijie Lin and Haobo Zuo and Changhong Fu and Jia Pan},
journal= {arXiv preprint arXiv:2403.11186},
year = {2024}
}
备注
Accepted by CVPR 2024