1.提出背景
以往的工作通常将re-ID视为次要任务,其准确性受到主要检测任务的严重影响。因此,网络偏向于主检测任务,这对re-ID任务不公平。
2. 核心思想
将MOT表示为单个网络中目标检测和reid的多任务学习,因为它允许两个任务的联合优化,并且具有较高的计算效率。然而,我们发现这两个任务倾向于相互竞争,这需要仔细处理。特别是,以往的工作通常将re-ID视为次要任务,其准确性受到主要检测任务的严重影响。因此,网络偏向于主检测任务,这对re-ID任务不公平。为了解决这个问题,我们提出了一种基于无锚定目标检测架构CenterNet的简单而有效的方法,称为FairMOT。请注意,它并不是CenterNet和re-ID的幼稚组合。相反,我们提出了一堆详细的设计,这些设计对于通过彻底的实证研究获得良好的跟踪结果至关重要。
3.主要内容
3.1 Introduction
目标追踪大多数现有方法如试图通过两个独立的模型来解决问题:检测模型首先通过每帧的边界框检测感兴趣的对象,然后关联模型从每个边界框对应的图像区域中提取再识别(re-ID)特征,将检测链接到现有轨迹之一,或根据特征上定义的某些指标创建新的轨迹。
两阶段的目标追踪方法存在可伸缩性问题。当环境中有大量对象时,它们无法实现实时推理速度,因为这两个模型不共享特性,而