SSP-GNN：基于双层优化的跟踪学习方法
计算机视觉与模式识别
2025-12-09 v3 机器学习
摘要
我们提出了一种基于图的数学跟踪方法，用于多目标跟踪（MOT），其中目标检测包含运动学信息和重识别特征（属性）。本方法将成功最短路径（SSP）算法应用于由批量帧定义的跟踪图上。该跟踪图的边权通过消息传递网络计算，该网络是图神经网络（GNN）的一种变体。GNN的参数以及因此而来的跟踪器是在一组示例地面实况轨迹和检测的训练集上进行端到端学习的。具体而言，学习形式为由我们新颖的损失函数引导的双层优化。我们在模拟场景上评估了该算法，以了解其对场景方面的敏感性以及模型超参数的影响。在各种场景复杂度下，我们的方法与强基准方法相比表现良好。
引用
@article{arxiv.2407.04308,
title = {SSP-GNN: Learning to Track via Bilevel Optimization},
author = {Griffin Golias and Masa Nakura-Fan and Vitaly Ablavsky},
journal= {arXiv preprint arXiv:2407.04308},
year = {2025}
}