一级无线上多个目标跟踪,具有可变形的本地注意力和任务意识预测

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:

• 通过检测跟踪模式是多个目标跟踪的标准.
• 目标检测的顺序执行,外观特征嵌入和数据关联限制了跟踪效率.

研究的目的:

• 开发一个单阶段,无的多任务学习框架,用于增强多个目标跟踪.
• 通过并行检测和特征嵌入来提高跟踪速度和准确性.

主要方法:

• 一个单阶段的无框架处理目标检测和外观功能并行嵌入使用共享功能地图.
• 引入可变形局部注意模块用于区分特征提取.
• 实现一个具有可变形卷积的任务意识预测模块,以优化任务执行.
• 为密集场景开发回归范围重叠和样本重权重的培训策略.
• 一种外观增强的非最大抑制方法,以减轻拥挤环境中的过度抑制.

主要成果:

• 拟议的框架通过同时执行检测和功能嵌入,显著提高了跟踪速度.
• 可变形的局部注意力和任务意识预测模块产生了更具区分性的特征和更准确的预测.
• 新的训练策略和非最大限度的抑制有效地应对在密集和拥挤的场景中的挑战.
• 实施的在线多重目标追踪器展示了高准确度和惊人的速度.

结论:

• 拟议的单阶段,无框架可大大提高多个目标追踪效率.
• 新的模块和培训策略有效地解决了传统方法的局限性,特别是在复杂的场景中.
• 这项研究为实时多重目标跟踪应用提供了高效和快速的解决方案.