全目标跟踪：在线多目标识别中限制先验知识的使用

本文针对图像序列中多目标的在线跟踪与分类问题。我们提出的解决方案是首先在不依赖目标特定先验知识的情况下跟踪场景中的所有目标，而在其他系统中，此类先验知识可能表现为手工设计的特征或基于用户的跟踪初始化。随后，我们利用基于浅层卷积神经网络架构的快速学习图像分类器对跟踪到的目标进行分类，并证明结合跟踪算法提供的目标状态信息可提升目标识别性能。我们主张通过将先验知识的使用从检测和跟踪阶段转移到分类阶段，可以设计出一种鲁棒、通用的目标识别系统，具备检测和跟踪多种目标类型的能力。我们描述了受生物启发的实现方案，该方案自适应地学习被跟踪目标的形状与运动，并将其应用于包含多种目标类型的 Neovision2 Tower 基准数据集。实验评估表明，我们的方法在不使用目标特定先验知识进行检测和跟踪的情况下，性能与最先进的视频目标识别系统具有竞争力，同时因其通用性提供了额外的实际优势。