论文笔记：Multi-Object Tracking with Multiple Cues and Switcher-Aware Classification(LSST)
发布时间
阅读量：
阅读量
论文笔记：Multi-Object Tracking with Multiple Cues and Switcher-Aware Classification(LSST)
简介
这是一篇arxiv上的文章，文中提出了一个新的多目标跟踪框架，并且跟踪的指标当时在MOT17上排名第一，即使在11个月后的现在，这个算法依然排名第三（第一第二都没有论文介绍相应的算法）。唯一遗憾的是，这个算法难以达到实时性，在GTX 1060上只有1.5HZ的速度，并且暂时还没有开源代码。无论如何，这篇文章提出的一些方法还是很有参考意义的。
方法
文中提到的方法比较多，主要思路就是：
1 利用单目标跟踪器进行预测，代替卡尔曼滤波，使得track的预测结果更好（for short cues）
2 提出了SAC（switcher-aware classification），将容易发生ID switch的目标考虑进来，以减少ID Switch
3 利用一个ReID网络提取跟踪目标和2中提到的易混淆目标的特征，增加长期跟踪的鲁棒性
算法的实现流程如下：
- 初始化跟踪目标
- 利用第t帧的结果用SOT预测第t+1帧的结果
- 从历史图像里调出k张高质量图像，提取检测的ReID特征
- 对于2中的的SOT预测结果提取ReID特征，再和3中检测的特征一起提取目标的匹配特征
- 找到跟踪目标潜在的switcher（容易发生id switch的目标），特区这个switcher的单目标跟踪和ReID特征
- 使用SAC（switcher-aware classifier）生成一个matching score判断是否应该用这个结果来匹配目标
- 计算matching socre之后建立一个二分图（Bipartite graph），通过最小流算法计算匹配结果
- 对于匹配了的结果，用匹配的检测信息更新坐标和模板；如果没有匹配，就使用SOT预测的结果，同时计算一个衰减的quality，当quality过低就舍去这条轨迹；对于多出来的检测结果，如果confidence score足够高，就用它生成新的轨迹。
- 重复第2-8步
全部评论 (0)
还没有任何评论哟~