偏移网络:朝着高效的多个对象跟踪,检测和细分

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 基于偏移的表示对于计算机视觉中的像素和运动建模是有效的.
• 现有的方法经常单独解决对象检测,细分和跟踪.

研究的目的:

• 推出OffsetNet,这是一个新的单阶段多任务网络,用于多对象跟踪和分割 (MOTS).
• 扩展基于偏移的表示,同时处理amodal界限框检测,实例细分和跟踪.

主要方法:

• 开发了一个基于像素偏移的统一表示,用于并发任务执行.
• 整合了内存增强线性自我注意 (MELSA) 块,以实现高效的时空特征聚合.
• 使用三种轻量级解码器进行一次性任务脱,并使用跨框架偏移预测模块来实现阻塞强度.

主要成果:

• 在没有3D检测的KITTI MOTS基准测试中实现了76.83%的HOTA.
• 在KITTI MOT基准指标上达到74.83%的HOTA50 FPS,表现优于CenterTrack.
• 显示了显著的速度改进 (比CenterTrack快3.3倍) 与增强的性能.

结论:

• 报销网为MOTS任务提供了一个高效和有效的统一框架.
• 拟议的MELSA块和跨框架偏移预测增强了特征聚合和跟踪稳定性.
• 奥夫塞特网为未来的多对象跟踪和细分研究奠定了坚实的基础.