基于 GMPHD 滤波器与掩码亲和度融合的在线多目标跟踪与分割
计算机视觉与模式识别
2021-06-14 v2 机器学习
多媒体
摘要
本文提出一种高度实用的全在线多目标跟踪与分割(MOTS)方法，其以实例分割结果作为输入。该方法基于高斯混合概率假设密度(GMPHD)滤波器、层次化数据关联(HDA)以及基于掩码的亲和度融合(MAF)模型来实现高性能在线跟踪。HDA 由两段关联组成：片段到轨迹以及轨迹到轨迹关联。一种针对位置与运动的亲和度由 GMPHD 滤波器计算，另一种针对外观的亲和度由单目标跟踪器（如核相关滤波器）的响应计算。这两种亲和度通过诸如最小-最大归一化（称为 MAF）的分数级融合方法简单融合。此外，为减少假阳性片段数量，我们采用基于掩码 IoU 的合并（掩码合并）。所提出的具有 HDA、MAF 和掩码合并关键模块的 MOTS 框架易于扩展，可仅用 CPU 并行处理同时跟踪多种对象。而且，与许多需要密集超参数优化的现有 MOTS 方法不同，所开发框架仅需简单参数调节。在两个流行 MOTS 数据集上的实验中，关键模块显示出一定提升。例如，训练集中相比基线方法的 ID 切换减少一半以上。总之，我们的跟踪器在测试集上达到了最先进的 MOTS 性能。
引用
@article{arxiv.2009.00100,
title = {Online Multi-Object Tracking and Segmentation with GMPHD Filter and Mask-based Affinity Fusion},
author = {Young-min Song and Young-chul Yoon and Kwangjin Yoon and Moongu Jeon and Seong-Whan Lee and Witold Pedrycz},
journal= {arXiv preprint arXiv:2009.00100},
year = {2021}
}