TrajectoryFormer：基于预测轨迹假设的3D目标跟踪Transformer
计算机视觉与模式识别
2023-08-21 v2
摘要
3D多目标跟踪（MOT）对自动驾驶车辆和服务机器人等诸多应用至关重要。基于常用的检测即跟踪范式，3D MOT 近年来取得重要进展。然而，这些方法仅利用当前帧的检测框获得轨迹-框关联结果，使得跟踪器无法恢复被检测器漏检的目标。本文提出 TrajectoryFormer，一种新颖的基于点云的3D MOT框架。为恢复检测器漏检的目标，我们生成包含时序预测框与当前帧检测框的混合候选框的多个轨迹假设，用于轨迹-框关联。预测框可将目标的历史轨迹信息传播至当前帧，从而网络能够容忍被跟踪目标的短期漏检。我们结合长期目标运动特征与短期目标外观特征来构建每假设特征嵌入，降低了时空编码的计算开销。此外，我们引入全局-局部交互模块，在所有假设间进行信息交互并建模其空间关系，从而实现假设的准确性估计。我们的 TrajectoryFormer 在 Waymo 3D MOT 基准上取得了最先进的性能。代码见 https://github.com/poodarchu/EFG 。
引用
@article{arxiv.2306.05888,
title = {TrajectoryFormer: 3D Object Tracking Transformer with Predictive Trajectory Hypotheses},
author = {Xuesong Chen and Shaoshuai Shi and Chao Zhang and Benjin Zhu and Qiang Wang and Ka Chun Cheung and Simon See and Hongsheng Li},
journal= {arXiv preprint arXiv:2306.05888},
year = {2023}
}
备注
Accepted by ICCV 2023