摘要
目标检测与数据关联是多目标跟踪（Multi-Object Tracking, MOT）系统中的两个关键组件。尽管这两个模块相互依赖，但以往的研究通常将检测模块与数据关联模块分别设计，并采用独立的目标进行训练。这种分离式设计导致无法进行端到端的梯度反向传播，从而难以对整个MOT系统进行联合优化，最终限制了系统性能的提升。为解决这一问题，近期研究提出在统一的MOT框架下联合优化检测与数据关联模块，已在两个模块上均取得了性能提升。本文提出一种基于图神经网络（Graph Neural Networks, GNNs）的新一代联合MOT方法。其核心思想在于：GNN能够有效建模空间与时间域中变尺寸目标之间的复杂关系，这对于学习具有判别性的检测与关联特征至关重要。在MOT15/16/17/20等多个公开数据集上的大量实验表明，所提出的GNN-based联合MOT方法在目标检测与多目标跟踪任务上均取得了当前最优（state-of-the-art）性能。相关代码已开源，地址为：https://github.com/yongxinw/GSDT