双重关注多对象跟踪与样本内背景和交叉样本相互作用的双重关注
Kunshan Yang1, Wenwei Luo1, Mengmeng Jing1
1School of Information and Software Engineering, University of Electronic Science and Technology of China, Chengdu, 611731, China.
Scientific reports
|November 19, 2025
概括
本研究引入了一种轻量级的多对象跟踪方法,使用双重注意力机制来提高效率和准确性. 该方法增强了区分类似对象和重新识别丢失对象的能力,在基准数据集上实现了可比性能.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 多对象跟踪 (MOT) 是一项复杂的计算机视觉任务,具有重大研究兴趣.
- 当前的一级MOT方法虽然是端到端的,但却面临着高的计算成本,区分类似对象和重新识别丢失的对象.
研究的目的:
- 提出一种新的,轻量级的多物体跟踪方法.
- 通过解决现有方法的局限性来提高跟踪效率和准确性.
主要方法:
- 引入了用于多对象跟踪的双重注意力机制.
- 雇佣了样本内部的当地关注,以关注歧视性地区,以便更好地区分对象.
- 利用样本间的全球关注来捕获跨的语义信息,以改进重新识别.
主要成果:
- 拟议的方法有效地区分类似的物体使用局部注意力.
- 全球关注改善了丢失物品的重新识别性能.
- 在MOT和STATION数据集上实现了可比性能.
结论:
- 双重注意力机制为轻量级多对象跟踪提供了有效的解决方案.
- 该方法成功地提高了对象区分和重新识别能力.
- 通过对公共和新型数据集的广泛实验验证实有效性.
