走进Deep Sort系列(三)--《DeepSORT-Simple Online and Realtime Tracking with a Deep Association Metric》翻译及理解

DeepSORT是一种结合运动和外观信息的在线实时多目标跟踪算法,通过深度学习关联度量提升了SORT的性能,尤其在处理遮挡问题上表现出色。通过级联匹配策略和深度特征描述器,减少了身份交换,适用于高帧率应用场景。
摘要由CSDN通过智能技术生成

在这里插入图片描述2019年7月14日:继续上一部分内容,完成了对《Multiple Object Tracking A Literature Review》综述的大概翻译,初步了解了多目标跟踪大概是干什么的,现在我们进行对deep sort这样一个知识的文献翻译,作为具体到某一种算法的入门,目标:了解 Sort 和deepsort 的内容,知道它的框架,流程。

文献名称:《DeepSORT-Simple Online and Realtime Tracking with a Deep Association Metric》
知乎最新阅读笔记:
https://www.zhihu.com/people/geng-yi-fei-24/posts
来源:https://arxiv.org/pdf/1703.07402.pdf
参考翻译https://blog.csdn.net/zjc910997316/article/details/83721573
参考大佬阅读记:https://www.cnblogs.com/yanwei-li/p/8643446.html
参考大佬笔记:https://blog.csdn.net/cdknight_happy/article/details/79731981
参考大佬笔记:https://www.bbsmax.com/A/xl56bOa15r/
知乎大佬借鉴:https://zhuanlan.zhihu.com/p/62858357 (sort与deep sort的关系与区别)
必备知识点:马氏距离离:https://blog.csdn.net/lzhf1122/article/details/72935323
COS距离 最小余弦距离:https://blog.csdn.net/lin00jian/article/details/51209715
匈牙利算法
融合度量的方式
KM滤波器
级联匹配决策

摘要

简单在线和实时跟踪(SORT)是一种注重简单、有效算法的多目标跟踪的实用方法。
为了提高排序的性能,本文对外观信息进行了集成。
由于这种扩展,我们能够通过更长时间的闭塞来跟踪对象,有效地减少了标识开关的数量。
在原始框架的精神下,我们将大量的计算复杂度放到了离线预训练阶段,在此阶段我们学习了大规模的人员再识别数据集上的深度关联度量。
在实时应用过程中,我们使用可视化外观空间中的***近邻查询***建立度量跟踪关联。
实验评估表明,我们的扩展减少了45%的身份交换机数量,在高帧率下实现了整体竞争性能

2019年7月15日:

1 引言

因为近年来的目标检测的进步,基于检测的跟踪已经在多目标跟踪领域成为了主要模式。在这种模式下,对象轨迹通常出现在一次处理整个视频批量的全局优化问题中。例如,流网络公式[1,2,3]和概率图形模型[4,5,6,7]已经成为这种类型的流行框架。
但是,由于批处理的原因,这些方法不适用于在线场景(流网络公式和概率图形模型),

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值