PaperWeekly原作者|黃樸

學校|華中科技大學碩士

研究方向|多目標跟蹤

近年來，隨著tracker ++等集成檢測和多目標跟蹤算法框架的出現(xiàn)，出現(xiàn)了很多相關的多目標跟蹤算法變體，基本上排在了MOT Challenge榜單的前列，包括新開放的top CenterTrack。在這里，我將分析集成檢測和跟蹤的框架。MOT和數(shù)據(jù)關聯(lián)的基礎知識可以在我的專欄里查看。后面我還會專門介紹基于深度學習的數(shù)據(jù)關聯(lián)，ReID2MOT和SOT2MOT。

D&。T

其中s是衡量不同任務下個人損失的不確定因素。詳細原理請參考CVPR 2018《利用不確定性對場景幾何和語義損失進行加權的多任務學習》關于方差不確定性對多任務權重影響的分析。

效果和速度都很吸引人~

受精卵輸卵管移植

論文題目:在線多目標跟蹤的運動和外觀改進

作者:姚黃，壽韓棟，趙駿，東海劉勝，王宏偉，恩宇，和郭志忠

備注:MOT 15 ~ 17: 60.1，60.4，48.1 MOTA(公眾)

論文鏈接:https://arxiv.org/abs/2003.07177

代碼鏈接:https://github.com/nightmaredimple/libmot

這也是我們團隊基于tracker ++框架做的一個框架，主要是對運動模型、表觀模型、數(shù)據(jù)關聯(lián)的改進。由于一些原因，這里就不細說了。代碼會慢慢開源，但暫時不會完全開源。

對于運動模型部分，我們將卡爾曼和橢圓曲線模型集成在一起，而不是單獨執(zhí)行。實驗表明，集成版本比單獨版本高1.4 MOTA。

對于視在模型，我們考慮了特征對齊的因素，做了一點改進，設計了一個結合可見性預測的多任務視在模型:

在比較觀測幀和跟蹤軌跡的特征時，考慮跟蹤軌跡的歷史信息進行自適應加權:

通過以上分析可知，數(shù)據(jù)關聯(lián)部分的特征相似度計算不僅需要n:m(對于馬氏距離)的卡爾曼更新過程，還需要m:(nxk)的表觀特征比較，耗時。因此，我們使用三維積分圖像快速分配空之間的區(qū)域，將特征相似度計算的復雜度降低到O(m+n)。

該方法非常巧妙，即使用一熱編碼將每個觀察幀映射到特征圖，比基于iou的方法快得多:

后來我做了一些實驗，結果比論文里的要好。MOT15~17: 48.1，60.4，60.1 MOTA(公眾)。

中央跟蹤

將對象跟蹤為點

作者:邢一周(centernet的作者)、弗拉德倫·科爾敦和菲利普·克亨布爾

注:同時實現(xiàn)2D/3D多目標跟蹤，包括人和車，MOT 17: 61.4(公共)，67.3(私人)MOTA，22FPS?。?！

基迪:89.4公噸

論文鏈接:http://arxiv.org/abs/2004.01177

代碼鏈接:https://github.com/xingyizhou/CenterTrack

中心跟蹤(CenterTrack)是CenteNet作者基于Tracker ++的多目標跟蹤框架，它是通過用中心網(wǎng)代替更快的RCNN來實現(xiàn)的，因此跟蹤框架成為跟蹤中心。

通過上圖，可以大致分析算法框架。除了使用中心網(wǎng)檢測兩個相鄰的幀之外，我們還使用D & amp；T幀策略，預測同時存在于兩個幀中的目標的相對位移，從而進行跟蹤和預測。

對于提供的觀察幀，作者將這些觀察幀的中心點映射到單通道熱圖，然后通過高斯模糊考慮這些點的附近。

因此，CenterTrack和CenterNet的區(qū)別在于，輸入維度增加(兩張3d圖像和一張觀察位置熱圖)，輸出成為兩張圖像的目標中心位置、大小和相對偏移量。

對于測試環(huán)節(jié)的數(shù)據(jù)關聯(lián)部分，作者直接通過中心點的距離來判斷是否匹配是一種貪婪的方式，而不是匈牙利算法的全局數(shù)據(jù)關聯(lián)優(yōu)化。在訓練過程中，作者不僅使用相鄰幀進行訓練，還允許使用三幀。

“中央追蹤”在2D/3D多行人/車輛追蹤任務中，在MOT、KITTI和nuScenes數(shù)據(jù)集上取得了SOTA成果。

引用

[1] Feichtenhofer C，Pinz A，Zisserman A. Detect to track，track to detect[C]。摘自:美國電氣和電子工程師協(xié)會國際計算機視覺會議錄。2017.3038-3046.

[2]陳力，艾赫，莊z，等.深度學習的實時多人跟蹤候選人選擇和人物再識別[C]。in: 2018 IEEE國際多媒體會議暨博覽會(ICME)。IEEE，2018。1-6.

[3]博格曼·P，梅哈特·T，利爾-泰西·l .不帶鈴鐺和哨子的追蹤[C]。摘自:美國電氣和電子工程師協(xié)會國際計算機視覺會議錄。2019.941-951.

[4]通過流動和融合進行多目標跟蹤

[5]走向實時多目標跟蹤

[6]在線多目標跟蹤的運動和外觀改進

[7]跟蹤對象作為點

#提交渠道#

讓你的論文被更多人看到

怎樣才能讓更多高質(zhì)量的內(nèi)容以更短的方式到達讀者手中，縮短讀者尋找高質(zhì)量內(nèi)容的成本？答案是:你不認識的人。

總有你不認識的人知道你想知道的。PaperWeekly可能會成為一座橋梁，促使來自不同背景和方向的學者和學術靈感相互碰撞，從而在生成中創(chuàng)造更多的可能性。

PaperWeekly鼓勵大學實驗室或個人在我們的平臺上分享各種高質(zhì)量的內(nèi)容，可以是最新的論文解讀、學習經(jīng)驗或技術干貨。我們只有一個目的，這樣知識才能真正流動。

貢獻標準:

稿件確實是個人原創(chuàng)作品，稿件中要注明作者個人信息(姓名+學校/工作單位+學歷/職位+研究方向)

如果文章不是第一篇，請在提交文章時提醒并附上所有已發(fā)布的鏈接

《紙周刊》默認每篇都是第一篇，會加“原創(chuàng)”logo

提交電子郵件:

提交郵件:hr@paperweekly.site

所有文章均附有圖片，請在附件中單獨發(fā)送

請留下您的即時聯(lián)系方式(微信或手機)，以便我們在編輯和發(fā)布時與作者溝通