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、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る、検出による追跡 (TbD) でした。
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（再識別ネットワークなど）にリソースを提供しています。
注意に基づく最近のアプローチは、データ駆動型の方法でキューを学習することを提案しており、印象的な結果を示しています。
このホワイト ペーパーでは、シンプルで古き良き TbD メソッドでもエンド ツー エンド モデルのパフォーマンスを達成できるかどうかを自問します。
この目的のために、標準的な再識別ネットワークが外観ベースの追跡に優れていることを可能にする 2 つの重要な要素を提案します。
その失敗例を広範囲に分析し、外観機能と単純なモーション モデルを組み合わせることで、強力な追跡結果が得られることを示しています。
私たちのトラッカーは、MOT17、MOT20、BDD100k、DanceTrack という 4 つの公開データセットに一般化され、最先端のパフォーマンスを実現しています。
コードとモデルを公開します

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 resourced to motion and appearance cues, e.g., re-identification networks. Recent approaches based on attention propose to learn the cues in a data-driven manner, showing impressive results. In this paper, we ask ourselves whether simple good old TbD methods are also capable of achieving the performance of end-to-end models. To this end, we propose two key ingredients that allow a standard re-identification network to excel at appearance-based tracking. We extensively analyse its failure cases, and show that a combination of our appearance features with a simple motion model leads to strong tracking results. Our tracker generalizes to four public datasets, namely MOT17, MOT20, BDD100k, and DanceTrack, achieving state-of-the-art performance. We will release the code and models

arxiv情報

提供元, 利用サービス

arxiv.jp, Google