以对象为中心的多种物体跟踪

无监督以对象为中心的学习方法可在无额外定位信息的情况下将场景划分为实体，是减轻多种物体跟踪（MOT）流程标注负担的优秀候选。遗憾的是，它们缺乏两个关键特性：物体常被拆分为部分，且未随时间一致跟踪。事实上，最先进模型通过依赖有监督目标检测及额外的ID标签进行跨时间关联，实现了像素级精度与时间一致性。本文提出一种用于MOT的视频以对象为中心模型。它包含一个将以对象为中心的槽位适配为检测输出的索引-合并模块，以及一个构建完整对象原型以处理遮挡的对象记忆模块。受益于以对象为中心的学习，我们仅需稀疏检测标签（0%–6.25%）用于对象定位与特征绑定。依靠我们受期望最大化启发的自监督损失进行对象关联，我们的方法无需ID标签。我们的实验显著缩小了现有以对象为中心模型与全监督最优模型间的差距，并优于若干无监督跟踪器。