PolarMOT：几何关系在三维多目标跟踪中能带我们走多远？
计算机视觉与模式识别
2022-08-04 v1 机器学习
摘要
大多数（3D）多目标跟踪方法依赖基于外观的线索进行数据关联。相比之下，我们研究仅将物体间在 3D 空间中的几何关系编码为数据驱动数据关联的线索，能取得多大进展。我们将 3D 检测结果编码为图中的节点，其中物体间的空间和时间成对关系通过图边上的局部极坐标进行编码。该表示使我们的几何关系对全局变换和平滑轨迹变化（尤其在非完整运动下）具有不变性。这使我们的图神经网络能够学习有效编码时间和空间交互，并充分利用上下文和运动线索，通过将数据关联视为边分类来获得最终场景解释。我们在 nuScenes 数据集上建立了新的最先进水平，更重要的是，展示了我们的方法 PolarMOT 在不同地点（波士顿、新加坡、卡尔斯鲁厄）和数据集（nuScenes 和 KITTI）之间具有卓越的泛化能力。
引用
@article{arxiv.2208.01957,
title = {PolarMOT: How Far Can Geometric Relations Take Us in 3D Multi-Object Tracking?},
author = {Aleksandr Kim and Guillem Brasó and Aljoša Ošep and Laura Leal-Taixé},
journal= {arXiv preprint arXiv:2208.01957},
year = {2022}
}
备注
ECCV 2022, 17 pages, 5 pages of supplementary, 3 figures