解码-MOT:我们如何阻碍框超越追踪检测?
概括
这项研究介绍了Decode-MOT,这是一种新的系统,可以在追踪通过检测和追踪通过运动方法之间智能切换. 这种方法可以显著加快多对象跟踪 (MOT),同时保持高精度.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 追踪通过检测 (TBD) 的速度受到计算上昂贵的检测的限制.
- 多对象跟踪 (MOT) 通常可以依赖于以最小的精度损失跟踪每动作 (TBM).
- 平衡TBD和TBM对于高效的MOT至关重要.
研究的目的:
- 开发一个新的MOT决策协调员 (Decode-MOT).
- 根据上下文,在TBD和TBM机制之间进行适应性选择.
- 为了提高多对象跟踪的速度和准确性.
主要方法:
- 建议解码-MOT,MOT的决策协调员.
- 学习了之间的跟踪和场景上下文相似之处.
- 雇佣自我监督培训 Decode-MOT 由于不同的上下文相似之处.
主要成果:
- 解码MOT显著提高了跟踪速度.
- 保持了最先进的MOT准确性.
- 在标准的MOT挑战数据集上进行的评估.
结论:
- 解码MOT有效地确定了最佳的TBD/TBM机制.
- 拟议的方法提高了MOT的效率,而不会影响准确性.
- 代码的可用性有助于进一步的研究和应用.
