UnsMOT：基于几何拓扑引导的无监督多目标跟踪统一框架
计算机视觉与模式识别
2023-09-06 v1 人工智能
摘要
目标检测长期以来都是计算机视觉文献中的热点话题。鉴于多目标跟踪（MOT）问题数据标注极其昂贵，近期研究已转向无监督学习设定。本文中，我们提出 UnsMOT 这一新颖框架，显式结合物体外观与运动特征及几何信息以提供更准确跟踪，从而推进了无监督 MOT 方法的当前最优性能。具体而言，我们首先分别使用 CNN 与 RNN 模型提取外观与运动特征。随后，基于物体在一帧中的相对距离构建物体图，该图与 CNN 特征一同送入 GNN 模型，输出经无监督损失函数优化的物体几何嵌入。最后，通过匹配所提取的相似特征以及检测与轨迹的几何嵌入来发现物体间关联。实验结果表明，与当前最优方法相比，在 HOTA、IDF1 与 MOTA 指标上均取得优异性能。
引用
@article{arxiv.2309.01078,
title = {UnsMOT: Unified Framework for Unsupervised Multi-Object Tracking with Geometric Topology Guidance},
author = {Son Tran and Cong Tran and Anh Tran and Cuong Pham},
journal= {arXiv preprint arXiv:2309.01078},
year = {2023}
}