面向多目标跟踪的 ReID 特征提取时机：一种选择性方法以提升跟踪精度
摘要
提取和匹配 Re-Identification (ReID) 特征是众多最先进 (SOTA) 多目标跟踪 (MOT) 方法所使用的，特别是在应对频繁和持久遮挡方面效果显著。尽管最近的研究主要聚焦于端到端的对象检测与跟踪，但它们尚未在像 MOT17 和 MOT20 这样的基准测试中超越传统方法。因此，从应用角度来看，具有独立检测和嵌入的 methods 仍是实现精度、模块化和易于实现的最佳选择，尽管由于开销问题，这些方法在边缘设备上难以实用。本文我们研究一种选择性方法，以最小化特征提取的开销，同时保持精度、模块化和易于实现的优势。该方法可集成到各种 SOTA 方法中。我们通过将其应用于 StrongSORT 和 Deep OC-SORT 来展示其有效性。在 MOT17、MOT20 和 DanceTrack 数据集上的实验表明，我们的机制在遮挡期间保留了特征提取的优势，同时显著降低了运行时间。此外，它通过防止特征匹配阶段的混淆，尤其是在 DanceTrack 中常见的变形和外观相似性情况下，提高了精度。https://github.com/emirhanbayar/Fast-StrongSORT, https://github.com/emirhanbayar/Fast-Deep-OC-SORT
引用
@article{arxiv.2409.06617,
title = {When to Extract ReID Features: A Selective Approach for Improved Multiple Object Tracking},
author = {Emirhan Bayar and Cemal Aker},
journal= {arXiv preprint arXiv:2409.06617},
year = {2024}
}
备注
8 pages, 5 figures. Presents a selective approach for ReID feature extraction in Multiple Object Tracking, reducing computational overhead while maintaining accuracy. Tested on StrongSORT and Deep OC-SORT using MOT17, MOT20, and DanceTrack datasets. Code: https://github.com/emirhanbayar/Fast-StrongSORT, https://github.com/emirhanbayar/Fast-Deep-OC-SORT