本文介绍了一种使用循环神经网络（RNNs）的端到端在线多目标跟踪方法，特别关注LSTM在数据关联中的应用。面对目标无先验知识且随时间变化的挑战，该框架通过RNN进行状态预测和更新，并利用LSTM处理数据融合。方法优点包括模块化结构和加速训练。实验结果显示，虽然性能未达最优，但速度提升了两个数量级。
Online Multi-Target Tracking Using Recurrent Neural Networks
第一个端到端在线目标追踪学习方法；
多目标跟踪挑战
- 目标没有先验知识并且随时间变动；
- 对当前所有目标的持续状态估计；
- 数据关联的离散组合问题；
框架划分
RNNs为状态估计和更新、目标存在概率估计；
LSTM实现数据融合；
RNN可以很好地处理运动预测和状态更新，但是处理不好数据关联，所以加入LSTM。
整体流程图：
方法优点
- 有效地调试单个部分；
- 模快化结构，增加、删除某块很容易；
- 单独训练某一块，加快训练和收敛的速度；
状态预测和更新
基于贝叶斯滤波，分为两步：动态预测状态，然后基于测量值更新状态的可信度；针对目标跟踪问题中目标可能消失和出现，引入连续测量误差来决定track的开始和结束；
时态RNN的结构图:
最低0.47元/天 解锁文章
扫一扫
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
