用于多目标跟踪的准稠密相似度学习
计算机视觉与模式识别
2021-09-09 v4 机器学习
摘要
相似度学习已被认为是目标跟踪的关键步骤。然而,现有的多目标跟踪方法仅使用稀疏的 ground truth 匹配作为训练目标,而忽略了图像上大多数信息丰富的区域。在本文中,我们提出准稠密相似度学习 (Quasi-Dense Similarity Learning),在一对图像上稠密采样数百个区域提议进行对比学习。我们可以直接将此相似度学习与现有检测方法结合,构建准稠密跟踪 (QDTrack),而无需借助位移回归或运动先验。我们还发现,所得的区别性特征空间在推理时允许简单的近邻搜索。尽管简单,QDTrack 在 MOT、BDD100K、Waymo 和 TAO 跟踪基准上优于所有现有方法。它在 MOT17 上以 20.3 FPS 达到 68.7 MOTA,且未使用外部训练数据。与具有相似检测器的方法相比,它在 BDD100K 和 Waymo 数据集上提升了近 10 个 MOTA 点并显著减少了 ID 切换次数。我们的代码和训练模型可在 http://vis.xyz/pub/qdtrack 获取。
引用
@article{arxiv.2006.06664,
title = {Quasi-Dense Similarity Learning for Multiple Object Tracking},
author = {Jiangmiao Pang and Linlu Qiu and Xia Li and Haofeng Chen and Qi Li and Trevor Darrell and Fisher Yu},
journal= {arXiv preprint arXiv:2006.06664},
year = {2021}
}
备注
CVPR 2021 oral paper; Multiple object tracking on large-scale datasets