StrongSORT:让DeepSORT再度强大
计算机视觉与模式识别
2023-02-23 v2
摘要
近来,多目标跟踪(MOT)吸引了日益增长的关注,并取得了显著进展。然而,现有方法倾向于使用各种基础模型(如检测器和嵌入模型)以及不同的训练或推理技巧等。因此,构建一个用于公平比较的良好基线至关重要。本文首先重访经典跟踪器DeepSORT,然后从目标检测、特征嵌入与轨迹关联等多个角度对其显著改进。所提出的跟踪器名为StrongSORT,为MOT社区贡献了一个强大且公平的基线。此外,提出两种轻量且即插即用的算法以解决MOT两个固有的“缺失”问题:缺失关联与缺失检测。具体而言,与多数以高计算复杂度将短轨迹段关联为完整轨迹的方法不同,我们提出无表观关联模型(AFLink)在无表观信息下执行全局关联,并达成速度与精度的良好平衡。进一步,我们提出基于高斯过程回归的高斯平滑插值(GSI)以缓解缺失检测。AFLink与GSI可轻松插入各类跟踪器,额外计算开销可忽略(在MOT17上每幅图像分别为1.7 ms与7.1 ms)。最后,通过将StrongSORT与AFLink和GSI融合,最终跟踪器(StrongSORT++)在MOT17、MOT20、DanceTrack与KITTI等多个公开基准上取得最先进结果。代码见https://github.com/dyhBUPT/StrongSORT与https://github.com/open-mmlab/mmtracking。
引用
@article{arxiv.2202.13514,
title = {StrongSORT: Make DeepSORT Great Again},
author = {Yunhao Du and Zhicheng Zhao and Yang Song and Yanyun Zhao and Fei Su and Tao Gong and Hongying Meng},
journal= {arXiv preprint arXiv:2202.13514},
year = {2023}
}
备注
Accepted by IEEE Transactions on Multimedia 2023