RelationTrack：基于解耦表示与关系感知的多目标跟踪方法
计算机视觉与模式识别
2021-05-11 v1
摘要
现有的在线多目标跟踪（MOT）算法通常由检测与重识别（ReID）两个子任务组成。为了提升推理速度并降低复杂度，当前方法常将这两类子任务整合进统一框架。然而，检测与 ReID 所需特征各异，该问题会导致训练过程中的优化矛盾。为缓解此矛盾，我们设计了一个名为全局上下文解耦（GCD）的模块，将所学表示解耦为检测专用与 ReID 专用嵌入，从而以隐式方式平衡两子任务的不同需求。此外，我们观察到以往的 MOT 方法通常利用局部信息关联检测目标，而忽略全局语义关系。为克服该局限，我们结合 Transformer 编码器与可变形注意力的强大推理能力，开发了引导式 Transformer 编码器（GTE）模块。与先前工作不同，GTE 避免分析所有像素，仅关注捕获查询节点与少量自适应选取的关键样本间的关系，因而计算高效。我们在 MOT16、MOT17 与 MOT20 基准上进行了大量实验，以证明所提 MOT 框架 RelationTrack 的优越性。实验结果表明，RelationTrack 显著超越先前方法并确立了新的 SOTA 性能，例如在 MOT20 上 IDF1 达 70.5%、MOTA 达 67.2%。
引用
@article{arxiv.2105.04322,
title = {RelationTrack: Relation-aware Multiple Object Tracking with Decoupled Representation},
author = {En Yu and Zhuoling Li and Shoudong Han and Hongwei Wang},
journal= {arXiv preprint arXiv:2105.04322},
year = {2021}
}
备注
11 pages, 5 figures, conference