追踪不可追踪者：学习利用长期依赖追踪多线索
计算机视觉与模式识别
2017-04-05 v2
摘要
现有多目标追踪（MTT）解决方案大多未能以连贯的端到端方式在长时间内组合多种线索。而我们提出了一种在线方法，能够编码跨越多线索的长期时序依赖。追踪方法的一个关键挑战是准确追踪被遮挡的目标或与周围物体具有相似外观属性的目标。为应对这一挑战，我们提出了一种循环神经网络（RNN）结构，该结构在一个时间窗口内对多线索进行联合推理。我们能够纠正许多数据关联错误，并从遮挡状态中恢复观测。通过利用目标的外观、运动甚至交互来追踪多个目标，我们证明了这种数据驱动方法的鲁棒性。我们的方法在多个公开数据集（包括具有挑战性的MOT基准）上的表现优于先前的工作。
引用
@article{arxiv.1701.01909,
title = {Tracking The Untrackable: Learning To Track Multiple Cues with Long-Term Dependencies},
author = {Amir Sadeghian and Alexandre Alahi and Silvio Savarese},
journal= {arXiv preprint arXiv:1701.01909},
year = {2017}
}