Bridging the Gap Between Detection and Tracking: A Unified Approach
文章目录
-
-
- 摘要
- 背景
- 贡献
- 本文方法
-
摘要
近年来研究者们逐渐认识到，在跟踪领域的广泛应用中可以实现目标检测技术的进步。
背景
本文探讨了将目标检测网络迁移至追踪领域 的可行性及其背后原因：首先，在复杂场景中能够精确识别出各类物体；其次，在实际应用中对现有检测技术进行二次开发可能带来效率损失；最后，在理论上构建一个统一的追踪框架不仅便于技术推广还具有广泛的应用前景。具体而言：第一种观点强调了复杂场景下的精确识别能力；第二种观点指出了技术重用带来的效率损失；第三种观点则提出了构建统一追踪架构的重要性
但是，在目标检测领域与跟踪领域的差异性也存在一定的鸿沟，在解决以下关键挑战方面仍需进一步探索：其一，在目标检测中对目标类型有明确的先验知识（即检测网络基于预训练的目标种类进行设计），而跟踪领域则不具备这一前提条件（即跟踪系统能够处理任意类别物体，并非局限于预先训练阶段所包含的对象类别）；其二，在目标检测中对同类物体间的细微差别并不敏感（即不同类别的物体在视觉特征上具有显著区分度），但跟踪系统必须能够有效应对由于相似物体干扰而导致的目标丢失问题；其三，在目标检测中仅关注单个静止目标的状态识别（即为静态分析），而跟踪系统则需要结合视频序列的时间信息来进行多帧的目标持续追踪（即动态分析）。
贡献
为了构建连接目标检测与跟踪领域的桥梁, 本文提出了一种创新性的方法, 将复杂的目标跟踪问题分解为两个关键子任务: one-shot object detection 和 few-shot instance classification 。其中, 前者通过一种称为TGM的目标相关模块, 利用先进的检测机制识别并收集所有与目标对象具有相似特征的候选样本; 后者则利用分类网络模型, 在多个候选样本中识别并定位出具体的目标对象。详细而言, TGM模块能够高效提取关键特征信息, 并结合MAML算法框架来进行优化设计; 而基于分类网络的学习过程则能够逐步缩小候选范围, 最终精准定位出所需的目标实例。
本文方法
本文的网络框架如上图所示（可将图中的检测模块替换为通用检测网络）：