质量至关重要：利用质量线索实现鲁棒的3D多目标跟踪
计算机视觉与模式识别
2022-08-24 v1
摘要
3D多目标跟踪（MOT）得益于3D目标检测和2D MOT的快速发展取得了巨大成就。近期先进工作通常利用一系列目标属性（如位置、大小、速度和外观）为3D MOT中的关联提供线索。然而，由于遮挡和模糊等视觉噪声，这些线索可能不可靠，导致跟踪性能瓶颈。为揭示这一困境，我们进行了大量实证分析，暴露每个线索的关键瓶颈以及它们之间的相关性。分析结果促使我们高效吸收所有线索的优点，并自适应地产生最优跟踪方式。具体地，我们提出了位置和速度质量学习，有效引导网络估计预测目标属性的质量。基于这些质量估计，我们提出了一种质量感知目标关联（QOA）策略，利用质量分数作为重要参考因子实现鲁棒关联。尽管简单，大量实验表明，所提策略显著提升了跟踪性能（AMOTA提高2.2%），我们的方法在nuScenes上大幅超越所有现有最先进方法。此外，QTrack在nuScenes验证集和测试集上分别达到48.0%和51.1%的AMOTA跟踪性能，显著缩小了纯相机与基于LiDAR的跟踪器之间的性能差距。
引用
@article{arxiv.2208.10976,
title = {Quality Matters: Embracing Quality Clues for Robust 3D Multi-Object Tracking},
author = {Jinrong Yang and En Yu and Zeming Li and Xiaoping Li and Wenbing Tao},
journal= {arXiv preprint arXiv:2208.10976},
year = {2022}
}