基于跨任务协同的在线多目标跟踪
计算机视觉与模式识别
2021-04-02 v1
摘要
现代在线多目标跟踪（MOT）方法通常从两个方向提升跟踪性能：一是基于前几帧的跟踪信息预测新帧中的目标位置，二是通过生成更具判别力的身份嵌入来增强数据关联。部分工作将两者在同一框架内结合，但作为两个独立任务处理，因而获益有限。本文提出一种新颖的统一模型，实现位置预测与嵌入关联之间的协同。这两个任务通过时间感知的目标注意力与干扰物注意力，以及身份感知的记忆聚合模型相联结。具体而言，注意力模块可使预测更关注目标、更少关注干扰物，从而提取更可靠的嵌入用于关联；另一方面，此类可靠嵌入可通过记忆聚合增强身份感知，进而强化注意力模块并抑制漂移。由此实现了位置预测与嵌入关联之间的协同，从而对遮挡具有强鲁棒性。大量实验表明，在 MOTChallenge 基准上，我们所提模型优于广泛的现有方法。我们的代码与模型已公开于 https://github.com/songguocode/TADAM。
引用
@article{arxiv.2104.00380,
title = {Online Multiple Object Tracking with Cross-Task Synergy},
author = {Song Guo and Jingya Wang and Xinchao Wang and Dacheng Tao},
journal= {arXiv preprint arXiv:2104.00380},
year = {2021}
}
备注
accepted by CVPR 2021