具有无监督重识别学习与遮挡估计的在线多目标跟踪
计算机视觉与模式识别
2022-01-05 v1
摘要
不同对象间的遮挡是多目标跟踪（MOT）中的典型挑战，常因检测对象的缺失导致跟踪结果变差。多目标跟踪的通常做法是在缺失对象重新出现后对其进行重识别。尽管重识别可提升跟踪性能，但训练模型需要身份标注。此外，这种重识别做法仍无法跟踪那些被检测器漏检的高度遮挡对象。本文关注在线多目标跟踪，设计了两个新颖模块——无监督重识别学习模块与遮挡估计模块——以应对这些问题。具体而言，所提无监督重识别学习模块不需要任何（伪）身份信息，也不受可扩展性问题困扰。所提遮挡估计模块试图预测发生遮挡的位置，用于估计检测器漏检对象的位置。我们的研究表明，当应用于最先进 MOT 方法时，所提无监督重识别学习与有监督重识别学习相当，且所提遮挡估计模块进一步提升了跟踪性能。
引用
@article{arxiv.2201.01297,
title = {Online Multi-Object Tracking with Unsupervised Re-Identification Learning and Occlusion Estimation},
author = {Qiankun Liu and Dongdong Chen and Qi Chu and Lu Yuan and Bin Liu and Lei Zhang and Nenghai Yu},
journal= {arXiv preprint arXiv:2201.01297},
year = {2022}
}
备注
To Appear at Neurocomputing 2022