基于轨迹段预测的自适应图跟踪
计算机视觉与模式识别
2020-11-20 v3
摘要
现有的大多数跟踪方法使用特征余弦距离与边界框重叠的线性组合将检测框关联到轨迹段。但同一物体在两帧间特征不一致的问题依然存在。此外，在提取特征时仅利用了外观信息，既未考虑位置关联，也未考虑轨迹段的信息。我们提出了一个准确且端到端学习的多目标跟踪框架，即 TPAGT。它基于运动预测在当前帧中重新提取轨迹段的特征，这是解决特征不一致问题的关键。TPAGT 中的自适应图神经网络用于融合位置、外观与历史信息，在区分不同物体方面起着重要作用。在训练阶段，我们提出平衡 MSE 损失以成功克服样本不平衡问题。实验表明，我们的方法达到了 SOTA 性能。它在 MOT16 挑战赛上取得 76.5% MOTA，在 MOT17 挑战赛上取得 76.2% MOTA。
引用
@article{arxiv.2010.09015,
title = {Tracklets Predicting Based Adaptive Graph Tracking},
author = {Chaobing Shan and Chunbo Wei and Bing Deng and Jianqiang Huang and Xian-Sheng Hua and Xiaoliang Cheng and Kewei Liang},
journal= {arXiv preprint arXiv:2010.09015},
year = {2020}
}