用于多对象跟踪的深度高效数据关联:增强了基于SSIM的模糊性消除
Aswathy Prasannakumar1, Deepak Mishra1
1Department of Avionics, Indian Institute of Space Science and Technology, Trivandrum 695547, Kerala, India.
Journal of imaging
|July 26, 2024
概括
本研究引入了一种用于多个对象跟踪 (MOT) 的新型深度学习方法. 我们的方法通过使用深度特征关联网络和结构相似性指数指标来增强数据关联,提高跟踪准确性.
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:
- 多重对象跟踪 (MOT) 在视频分析中至关重要.
- 现有的MOT方法通常依赖于两步过程:对象检测和数据关联.
- 深度学习在提高MOT表现方面表现有前途.
研究的目的:
- 为MOT.提出一个高效和统一的数据关联方法.
- 为了提高多个对象跟踪的准确性和稳定性.
- 利用深度学习来加强MOT中的数据关联.
主要方法:
- 为学习协会开发了一个深度特征协会网络 (deepFAN).
- 整合了结构相似性指数指标 (SSIM) 来处理数据关联的不确定性.
- 结合深度功能和SSIM,以有效地链接跨的检测.
主要成果:
- 拟议的方法在标准MOT指标上表现出卓越的性能.
- 与当前最先进的MOT技术相比,取得了实质性的改进.
- 通过对MOT挑战和UA-DETRAC数据集的全面分析来验证.
结论:
- 拟议的deepFAN和SSIM集成提供了一个有效的MOT解决方案.
- 统一的方法提高了跟踪性能和准确性.
- 这项工作推进了基于深度学习的多重对象跟踪的最新技术.
