VeTrack: Seguimiento robusto de múltiples vehículos mediante modelado de apariencia basado en transformadores y...

Área de la Ciencia:

• Visión por Computadora
• Inteligencia Artificial
• Aprendizaje Automático

Sus antecedentes:

• El seguimiento de múltiples objetos (MOT) es crucial para la conducción autónoma y la vigilancia.
• Los desafíos incluyen cambios de identidad debido a apariencias similares y oclusiones en tráfico denso.

Objetivo del estudio:

• Proponer VeTrack, un nuevo marco para MOT de vehículos.
• Abordar los desafíos de los cambios de identidad y las interrupciones del seguimiento causadas por las oclusiones.

Principales métodos:

• Desarrolló el módulo TransformerReID utilizando la autoatención del transformador para el contexto global y características discriminatorias.
• Implementó una estrategia de asociación multinivel que adapta los métodos de coincidencia según la confianza de la detección.
• Integró la detección YOLOX, TransformerReID y la estrategia de asociación para el rastreador VeTrack.

Principales resultados:

• VeTrack logró un rendimiento de vanguardia (SOTA) en los conjuntos de datos MOT17, MOT20 y BDD100K.
• Demostró un manejo superior de la oclusión del objetivo y la similitud de apariencia.
• Logró una puntuación MOTA del 82,2 % en MOT17 y un rendimiento de los tres primeros en FPS.

Conclusiones:

• VeTrack reduce eficazmente los cambios de identidad y mejora la robustez del seguimiento en tráfico complejo.
• El marco muestra una fuerte generalización y potencial para sistemas de transporte inteligentes del mundo real.