©PaperWeekly 原创 · 作者|黄飘
单位|华中科技大学硕士生
研究方向|多目标跟踪
Siamese Track-RCNN
论文题目:Multiple Object Tracking with Siamese Track-RCNN
作者团队:亚马逊云服务识别实验室
论文链接:https://arxiv.org/abs/2004.07786
![24d36b8a37d5a6b885c272d1d3c8a2d3.png](https://i-blog.csdnimg.cn/blog_migrate/6374cfa18b6eb67dbfeccd41e1c20f3d.png)
- SOT 分支,作者借助 GOTURN 的 SOT 孪生结构,基于上一帧目标位置在当前帧扩展区域进行搜索,这里与原始 SOT 任务不同的是:预测的是目标相对位移,而不是响应图,并且预测的分类信息中的前景背景信息,作者解释成目标是否可见,这一点在 MOT 数据集中存在目标可视度的标注。但是这里依旧是对每个目标做了一次 SOT,所以不得不用 GOTURN 这类效率高的网络;
- Detection 分支,这个很简单,我之前的多篇博客已经介绍过了, 这里作者采用的就是就是 Tractor++ 的框架;
- ReID 分支,这里仅仅是使用了共享特征,通过 triplet loss 进行训练。
总的来说,论文思路就是让多个任务共享特征。效果如下: