Localization-Guided Track: A Deep Association Multi-Object Tracking Framework Based on Localization Confidence of Detections

要約

現在利用可能な文献では、検出による追跡 (TBD) パラダイムに基づく追跡方法で、検出ボックスの位置推定の信頼度が考慮されていません。
ほとんどの TBD ベースの方法では、検出信頼度の低いオブジェクトは非常に遮蔽されていると考えられているため、そのようなオブジェクトを直接無視するか、マッチングの優先順位を下げるのが通常の方法です。
さらに、外観の類似性は、これらのオブジェクトを照合する際に考慮すべき要素ではありません。
ただし、分類と位置特定を融合した検出信頼度の観点からは、検出信頼度が低いオブジェクトは位置特定が不正確であっても、外観は明確である可能性があります。
同様に、検出の信頼性が高い物体は、位置特定が不正確であったり、外観が不明確である可能性があります。
ただし、これらのオブジェクトはさらに分類されていません。
これらの問題を考慮して、私たちは Localization-Guided Track (LG-Track) を提案します。
まず、検出ボックスの外観の明瞭さと位置特定の精度を考慮して、位置特定の信頼性が初めて MOT に適用され、効果的な深い関連メカニズムが設計されます。
第 2 に、分類の信頼度および位置特定の信頼度に基づいて、より適切なコスト行列を選択して使用できます。
最後に、MOT17 および MOT20 データセットに対して広範な実験が行われました。
結果は、私たちが提案した方法が比較された最先端の追跡方法よりも優れていることを示しています。
コミュニティの利益のために、私たちのコードは https://github.com/mengting2023/LG-Track で公開されています。

要約(オリジナル)

In currently available literature, no tracking-by-detection (TBD) paradigm-based tracking method has considered the localization confidence of detection boxes. In most TBD-based methods, it is considered that objects of low detection confidence are highly occluded and thus it is a normal practice to directly disregard such objects or to reduce their priority in matching. In addition, appearance similarity is not a factor to consider for matching these objects. However, in terms of the detection confidence fusing classification and localization, objects of low detection confidence may have inaccurate localization but clear appearance; similarly, objects of high detection confidence may have inaccurate localization or unclear appearance; yet these objects are not further classified. In view of these issues, we propose Localization-Guided Track (LG-Track). Firstly, localization confidence is applied in MOT for the first time, with appearance clarity and localization accuracy of detection boxes taken into account, and an effective deep association mechanism is designed; secondly, based on the classification confidence and localization confidence, a more appropriate cost matrix can be selected and used; finally, extensive experiments have been conducted on MOT17 and MOT20 datasets. The results show that our proposed method outperforms the compared state-of-art tracking methods. For the benefit of the community, our code has been made publicly at https://github.com/mengting2023/LG-Track.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google