基于点云特征去相关的类别无关跟踪
计算机视觉与模式识别
2024-01-25 v2
摘要
由于 LiDAR 传感器在三维视觉中的存在，点云中的单目标跟踪已引起越来越多的关注。然而，现有的基于深度神经网络的方法主要侧重于为不同类别训练不同模型，这使得它们在遇到训练阶段未见过的类别时，无法在真实应用中表现良好。在本工作中，我们研究 LiDAR 点云中一项更具挑战性的任务——类别无关跟踪，即应为任意指定目标（包括已观测与未见过类别）学习一个通用模型。具体而言，我们首先通过在测试时将未见类别暴露给最先进的跟踪器，考察其类别无关性能，发现类别无关跟踪的一个关键因素是如何约束模板与搜索区域之间的融合特征，以在分布从已观测类别偏移至未见类别时保持泛化能力。因此，我们提出一种特征去相关方法来解决该问题，其通过一组学习到的权重消除融合特征的伪相关，并进一步使搜索区域在前景点之间一致、在前景点与背景点之间可区分。在 KITTI 与 NuScenes 上的实验表明，所提方法相较先进跟踪器 P2B 与 BAT 取得了显著改进，尤其在跟踪未见物体时。
引用
@article{arxiv.2202.13524,
title = {Towards Class-agnostic Tracking Using Feature Decorrelation in Point Clouds},
author = {Shengjing Tian and Jun Liu and Xiuping Liu},
journal= {arXiv preprint arXiv:2202.13524},
year = {2024}
}