【论文名称】DEFT: Detection Embeddings for Tracking
【作者团队】Mohamed Chaabane, Peter Zhang , J. Ross Beveridge , and Stephen O’Hara
【发表时间】2021/2/3
【机 构】Uber 自动驾驶实验室（Uber ATG）
【论文链接】https://arxiv.org/pdf/2102.02267.pdf
【推荐理由】
本文针对目标跟踪任务中，目标在局部状态下，时间和空间维度的关联出现异常，提出了一种有效的联合检测和跟踪模型（DEFT）。
DEFT依赖于一个基于外观的目标匹配网络和一个底层的目标检测网络，还添加了 运动预测模块（LSTM）以捕获运动约束，模型结构示意图如图1所示。模型的嵌入提取器头部使用检测器的特征图和边界框作为输入，并为每个检测到的对象提取外观嵌入。匹配头使用嵌入计算当前帧中的对象与前一帧中已经记住的对象之间的相似度。LSTM用以预防匹配头出现与现实不符合的结果。 匈牙利算法用于将对象与轨迹进行最终的在线匹配。
图1：DEFT模型结构示意图
在实验中，DEFT在2D在线跟踪实验中，可以达到与顶级方法相当的准确性和速度，更重要的是，面对更具挑战性的跟踪数据时，模型在鲁棒性方面具有明显优势。 此外，DEFT刷新了nuScenes单眼3D跟踪挑战的成绩，比以前的顶级方法的性能提高了一倍以上。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
点赞
收藏
评论 分享到Link
举报反馈 举报类型（必选）
样式问题涉嫌广告内容抄袭内容侵权政治相关内容涉黄其他 举报详情（选填）
0/200
取消 提交 评论列表 沙发等你来抢
去评论