Simple Cues Lead to a Strong Multi-Object Tracker

要約

長い間、マルチオブジェクトトラッキングの最も一般的なパラダイムは、検出による追跡（TbD）でした。このパラダイムでは、オブジェクトが最初に検出され、次にビデオフレームに関連付けられます。
関連付けのために、ほとんどのモデルは、動きと外観の手がかりにリソースを提供します。
依然としてこれらの手がかりに依存している一方で、たとえば注意に基づく最近のアプローチは、トレーニングデータおよび全体的な複雑なフレームワークの必要性がますます高まっていることを示しています。
1）いくつかの重要な設計の選択を適用すれば、少量のトレーニングデータから強力な手がかりを得ることができ、2）これらの強力な手がかりを考えると、標準的なハンガリーのマッチングベースの関連付けで印象的な結果を得ることができます。
私たちの主な洞察は、標準的な再識別ネットワークが外観ベースの追跡で優れていることを可能にする主要なコンポーネントを識別することです。
その失敗事例を広範囲に分析し、外観の特徴と単純なモーションモデルの組み合わせが強力な追跡結果につながることを示しています。
私たちのモデルは、MOT17およびMOT20データセットで最先端のパフォーマンスを実現し、IDF1で最大5.4pp、HOTAで4.4pp、以前の最先端のトラッカーを上回りました。
論文が受理された後、コードとモデルをリリースします。

要約(オリジナル)

For a long time, the most common paradigm in Multi-Object Tracking was tracking-by-detection (TbD), where objects are first detected and then associated over video frames. For association, most models resource to motion and appearance cues. While still relying on these cues, recent approaches based on, e.g., attention have shown an ever-increasing need for training data and overall complex frameworks. We claim that 1) strong cues can be obtained from little amounts of training data if some key design choices are applied, 2) given these strong cues, standard Hungarian matching-based association is enough to obtain impressive results. Our main insight is to identify key components that allow a standard reidentification network to excel at appearance-based tracking. We extensively analyze its failure cases and show that a combination of our appearance features with a simple motion model leads to strong tracking results. Our model achieves state-of-the-art performance on MOT17 and MOT20 datasets outperforming previous state-of-the-art trackers by up to 5.4pp in IDF1 and 4.4pp in HOTA. We will release the code and models after the paper’s acceptance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google