在不可靠检测存在下的可靠多目标跟踪
计算机视觉与模式识别
2022-11-09 v2
摘要
近期的多目标跟踪 (MOT) 系统已利用高精度的目标检测器；然而，训练此类检测器需要大量标注数据。尽管此类数据对于人和车辆广泛可得，对于其他动物物种则明显稀缺。我们提出鲁棒置信度跟踪 (RCT)，一种即便检测质量较差也能保持鲁棒性能的算法。与先前丢弃检测置信度信息的方法不同，RCT 采取根本不同的思路，依赖精确的检测置信度值来初始化轨迹、延长轨迹并过滤轨迹。特别地，RCT 能够通过高效利用低置信度检测（配合单目标跟踪器）持续跟踪目标，从而最小化身份切换。为在不可靠检测存在下评估跟踪器，我们提出一个具有挑战性的真实水下鱼类跟踪数据集 FISHTRAC。在 FISHTRAC 及 UA-DETRAC 数据集上的评估中，我们发现当提供不完美检测时，RCT 优于其他算法，包括最先进的深度单与多目标跟踪器以及更经典的方法。具体而言，RCT 在所有成功返回全部序列结果的方法中具有最佳平均 HOTA，且身份切换显著少于其他方法。
引用
@article{arxiv.2112.08345,
title = {Reliable Multi-Object Tracking in the Presence of Unreliable Detections},
author = {Travis Mandel and Mark Jimenez and Emily Risley and Taishi Nammoto and Rebekka Williams and Max Panoff and Meynard Ballesteros and Bobbie Suarez},
journal= {arXiv preprint arXiv:2112.08345},
year = {2022}
}
备注
The full journal version of this article (published in Pattern Recognition, Vol. 135) can be found at https://www.sciencedirect.com/science/article/pii/S0031320322005878. The article is open access. The source code and dataset can be found at https://github.com/tmandel/fish-detrac