STURE：用于在线多目标跟踪中鲁棒数据关联的空间-时间互表示学习
计算机视觉与模式识别
2022-03-29 v3
摘要
在线多目标跟踪(MOT)是计算机视觉与智能车平台中的长期任务。当前主流范式为基于检测的跟踪，该范式的主要难点在于如何将当前候选检测与历史轨迹片段进行关联。然而，在MOT场景中，每个历史轨迹片段由目标序列组成，而每个候选检测仅为单幅平面图像，缺乏目标序列的时间特征。当前候选检测与历史轨迹片段之间的特征差异使目标关联更加困难。因此，我们提出一种空间-时间互表示学习(STURE)方法，在当前候选检测与历史序列之间的互表示空间中学习空间-时间表示。对于历史轨迹片段，检测学习网络被强制在互表示空间中匹配序列学习网络的表示。所提方法能够利用目标关联中各种设计的损失提取更具区分性的检测与序列表示。由此，空间-时间特征被相互学习以强化当前检测特征，特征差异得以缓解。为证明STURE的鲁棒性，将其应用于公开MOT挑战基准，并基于身份保持度量优于多种最先进的在线MOT跟踪器。
引用
@article{arxiv.2201.06824,
title = {STURE: Spatial-Temporal Mutual Representation Learning for Robust Data Association in Online Multi-Object Tracking},
author = {Haidong Wang and Zhiyong Li and Yaping Li and Ke Nai and Ming Wen},
journal= {arXiv preprint arXiv:2201.06824},
year = {2022}
}