噪声环境下鲁棒的无监督多目标跟踪
计算机视觉与模式识别
2021-10-11 v4 人工智能
机器学习
多媒体
神经与进化计算
摘要
物理过程、相机运动以及灰尘存在等不可预测的环境条件会在视频流中引入噪声与伪影。我们观察到流行的无监督多目标跟踪(MOT)方法依赖于无噪声输入。我们表明，添加少量人工随机噪声会导致模型在基准指标上的性能急剧下降。我们通过引入一种鲁棒的无监督多目标跟踪(MOT)模型 AttU-Net 来解决此问题。所提出的单头注意力模型通过在不同片段尺度上学习视觉表征，有助于限制噪声的负面影响。AttU-Net 在基于变分推断的当前最优基线上展现出更好的无监督 MOT 跟踪性能。我们在 MNIST-MOT 和 Atari 游戏视频基准上评估了我们的方法。我们还提供了两个扩展视频数据集：“Kuzushiji-MNIST MOT”（由移动的日本字符组成）和“Fashion-MNIST MOT”，以验证 MOT 模型的有效性。
引用
@article{arxiv.2105.10005,
title = {Robust Unsupervised Multi-Object Tracking in Noisy Environments},
author = {C. -H. Huck Yang and Mohit Chhabra and Y. -C. Liu and Quan Kong and Tomoaki Yoshinaga and Tomokazu Murakami},
journal= {arXiv preprint arXiv:2105.10005},
year = {2021}
}
备注
Accepted to IEEE ICIP 2021