基于实例感知跟踪器与动态模型刷新的在线多目标跟踪
计算机视觉与模式识别
2019-02-25 v1
摘要
无模型单目标跟踪（SOT）算法近期的进展极大地启发了将SOT应用于多目标跟踪（MOT），以提高鲁棒性并减少对外部检测器的依赖。然而，SOT算法通常设计用于区分目标与其环境，因此在MOT中频繁观察到的目标与相似物体空间混合时会遇到问题。为解决此问题，本文提出一种实例感知跟踪器，通过编码目标模型内部及之间的感知信息，将SOT技术整合用于MOT。具体而言，我们通过融合用于区分目标与背景及其他实例（跟踪目标）的信息来构建每个目标模型。为保持所有目标模型的唯一性，我们的实例感知跟踪器考虑所有目标模型的响应图，并排他性地分配空间位置以优化整体精度。我们的另一贡献是由卷积神经网络学习的动态模型刷新策略。该策略有助于消除初始化噪声并适应目标尺寸和外观的变化。为展示所提方法的有效性，我们在流行的MOT15和MOT16挑战基准上进行了评估。在两个基准上，与已发表结果相比，我们的方法均取得了最佳的整体性能。
引用
@article{arxiv.1902.08231,
title = {Online Multi-Object Tracking with Instance-Aware Tracker and Dynamic Model Refreshment},
author = {Peng Chu and Heng Fan and Chiu C Tan and Haibin Ling},
journal= {arXiv preprint arXiv:1902.08231},
year = {2019}
}