在线多目标跟踪与无监督重识别学习及遮挡估计

不同物体之间的遮挡是多目标跟踪（MOT）中的一个典型挑战，通常会导致因检测对象缺失而产生较差的跟踪结果。在多目标跟踪中，常见的做法是在被遮挡的目标重新出现后对其进行再识别。尽管通过再识别可以提升跟踪性能，但训练模型时需要身份注释。此外，当检测器未能检测到高度遮挡的目标时，这种再识别方法仍然无法对其跟踪。本文重点关注在线多目标跟踪，并设计了两个新颖的模块：无监督再识别学习模块和遮挡估计模块，以解决这些问题。具体而言，所提出的无监督再识别学习模块不需要任何（伪）身份信息，也不会受到可扩展性问题的影响。所提出的遮挡估计模块尝试预测发生遮挡的位置，这些位置用于估计检测器未能检测到的目标的位置。我们的研究表明，当应用于最先进的MOT方法时，所提出的无监督再识别学习与有监督再识别学习相当，并且通过引入所提出的遮挡估计模块进一步提升了跟踪性能。