Open JunnHan opened 3 years ago
本文提出了一个基于proposal的可学习框架，将多目标跟踪问题看作基于相似度图的候选生成、候选评分以及轨迹预测问题。在处理上类似于Faster R-CNN的两阶段思想，先提候选，再根据候选生成最后的跟踪结果。在候选生成阶段，提出了迭代的图聚类方法，在保证生成候选质量的同时，减小了计算代价；候选评分环节利用图卷积网络GCN学习候选的structural patterns并根据估计的分数进行排序；轨迹预测阶段采用了deoverlapping策略得到在检测结果至多分配给一个轨迹的限制条件下的跟踪输出。 实验部分在MOT17和MOT20开展，public模式，并采用了Tracktor的预处理方法对检测结果进行优化。
JunnHan
commented
3 years ago JunnHan
commented
3 years ago
Abstract
本文提出了一个基于proposal的可学习框架，将多目标跟踪问题看作基于相似度图的候选生成、候选评分以及轨迹预测问题。在处理上类似于Faster R-CNN的两阶段思想，先提候选，再根据候选生成最后的跟踪结果。在候选生成阶段，提出了迭代的图聚类方法，在保证生成候选质量的同时，减小了计算代价；候选评分环节利用图卷积网络GCN学习候选的structural patterns并根据估计的分数进行排序；轨迹预测阶段采用了deoverlapping策略得到在检测结果至多分配给一个轨迹的限制条件下的跟踪输出。 实验部分在MOT17和MOT20开展，public模式，并采用了Tracktor的预处理方法对检测结果进行优化。