基于自标注三元组的在线描述子增强用于视觉数据关联

物体级数据关联是跟踪检测与物体级同步定位与建图等机器人应用的核心。尽管当前学习型视觉数据关联方法优于手工算法，但许多方法依赖大量特定领域训练样本，而在缺乏先验知识时难以获取。此外，此类方法在推理时往往固定不变，不能利用观测信息提升性能。我们提出一种自监督方法，用于增量式精炼视觉描述子，以改进物体级视觉数据关联任务中的表现。我们的方法通过持续训练一个广泛可用、以领域无关数据预训练的图像分类网络，在线优化深度描述子生成器。我们表明网络中较早层在该数据关联任务上优于后阶段层，同时可使参数数量减少 94%，从而实现在线优化。我们展示，自标注困难三元组——选取由大时间距离分隔的正样本与在描述子空间中相近的负样本——可提升多目标跟踪任务中所学描述子的质量。最后，我们证明相较于应用于跟踪检测任务的其他视觉数据关联方法，我们的方法更优，并且与其他尝试适应观测信息的方法相比，它提供了更好的性能增益。