UncertaintyTrack: 在多目标跟踪中利用检测和定位不确定性
计算机视觉与模式识别
2024-05-01 v2 机器人学
摘要
多目标跟踪（MOT）方法最近由于研究社区的强烈兴趣和不断改进的目标检测方法而取得了显著的性能提升。大多数跟踪方法遵循检测后跟踪（TBD）范式，盲目信任输入的检测结果，对其相关的定位不确定性没有感知。这种缺乏不确定性意识的问题在安全关键任务（如自动驾驶）中构成风险，因为错误的检测结果可能传播到下游任务（包括MOT）中，从而危及乘客安全。虽然存在概率目标检测方面的现有工作，可以预测边界框周围的定位不确定性，但在自动驾驶的2D MOT中，尚无工作研究这些估计是否足够有意义，以便在目标跟踪中有效利用。我们引入了UncertaintyTrack，这是一组扩展，可应用于多个TBD跟踪器，以考虑来自概率目标检测器的定位不确定性估计。在Berkeley Deep Drive MOT数据集上的实验表明，我们的方法与信息性不确定性估计相结合，将ID切换次数减少了约19%，并将mMOTA提高了2-3%。源代码可在https://github.com/TRAILab/UncertaintyTrack获取。
引用
@article{arxiv.2402.12303,
title = {UncertaintyTrack: Exploiting Detection and Localization Uncertainty in Multi-Object Tracking},
author = {Chang Won Lee and Steven L. Waslander},
journal= {arXiv preprint arXiv:2402.12303},
year = {2024}
}
备注
Accepted to ICRA 2024