TrackMPNN：一种用于多目标跟踪的消息传递图神经架构
计算机视觉与模式识别
2021-05-10 v4 机器人学
摘要
本研究沿袭许多将多目标跟踪(MOT)问题用动态图数据结构建模的经典方法，并调整该表述使之适用于现代神经网络。我们在本工作中的主要贡献是：构建了基于动态无向图的框架以表示跨多个时间步的数据关联问题，以及在此类图上运作、为图中每个关联产生所需似然性的消息传递图神经网络(MPNN)。我们还针对需解决的计算问题给出方案与命题，以构建可跨多时间步推理、纠正先前错误、更新置信度并处理漏检/误检的内存高效、实时、在线算法。为展示方法效力，我们仅使用2D框位置与对象类别ID来构造每个对象实例的描述符。尽管如此，我们的模型与使用额外传感器以及多个手工设计与/或学习特征的state-of-the-art方法表现相当。这表明，给定恰当的问题表述与模型设计，来自任意现成检测器的原始边界框（及其运动学）足以在具挑战性的MOT基准上取得有竞争力的跟踪结果。
引用
@article{arxiv.2101.04206,
title = {TrackMPNN: A Message Passing Graph Neural Architecture for Multi-Object Tracking},
author = {Akshay Rangesh and Pranav Maheshwari and Mez Gebre and Siddhesh Mhatre and Vahid Ramezani and Mohan M. Trivedi},
journal= {arXiv preprint arXiv:2101.04206},
year = {2021}
}