ReIDTrack：无需运动信息的多目标跟踪与分割
计算机视觉与模式识别
2023-08-04 v1 人工智能
摘要
近年来，主流的多目标跟踪（MOT）与分割（MOTS）方法主要遵循检测跟踪范式。基于 Transformer 的端到端（E2E）方案为 MOT 和 MOTS 带来了一些思路，但它们无法在主要 MOT 和 MOTS 基准上取得新的最先进（SOTA）性能。检测与关联是检测跟踪范式的两个主要模块。关联技术主要依赖于运动与外观信息的结合。随着深度学习的近期发展，检测与外观模型的性能快速提升。这些趋势使我们思考：仅基于高性能检测与外观模型能否达到 SOTA。本文主要基于以 Swin-B 为检测模型、MoCo-v2 为自监督外观模型的 CBNetV2，聚焦于探索这一方向。关联过程中去除了运动信息与 IoU 映射。我们的方法在 CVPR2023 WAD 研讨会的 MOTS 赛道获得第 1 名，在 MOT 赛道获得第 2 名。我们希望这一简单有效的方法能为 MOT 与 MOTS 研究社区提供一些见解。源代码将在此 git 仓库发布。
引用
@article{arxiv.2308.01622,
title = {ReIDTrack: Multi-Object Track and Segmentation Without Motion},
author = {Kaer Huang and Bingchuan Sun and Feng Chen and Tao Zhang and Jun Xie and Jian Li and Christopher Walter Twombly and Zhepeng Wang},
journal= {arXiv preprint arXiv:2308.01622},
year = {2023}
}