Online-Multi-Objekt-Verfolgung mit unsupervisierter Re-Identifikationslernen und Okklusionsabschätzung

Die Okklusion zwischen verschiedenen Objekten ist eine typische Herausforderung bei der Mehrfachobjektverfolgung (MOT), die oft zu mangelhaften Verfolgungsergebnissen führt, da die zu verfolgenden Objekte nicht erkannt werden. Die übliche Praxis bei der Mehrfachobjektverfolgung besteht darin, die verpassten Objekte nach ihrer Wiedererscheinung neu zu identifizieren. Obwohl die Verfolgungsleistung durch die Neuidentifizierung verbessert werden kann, ist zur Modelltrainierung eine Annotation der Identität erforderlich. Darüber hinaus kann diese Praxis der Neuidentifizierung hochgradig okkliudierte Objekte immer noch nicht verfolgen, wenn sie vom Detektor übersehen werden. In dieser Arbeit konzentrieren wir uns auf Online-Mehrfachobjektverfolgung und entwerfen zwei innovative Module: das unüberwachte Lernmodul für Neuidentifizierung und das Okklusionschätzmodul, um diese Probleme anzugehen. Insbesondere benötigt das vorgeschlagene unüberwachte Lernmodul für Neuidentifizierung keine (pseudonyme) Identitätsinformation und leidet nicht an Skalierbarkeitsproblemen. Das vorgeschlagene Okklusionschätzmodul versucht, die Orte vorherzusagen, an denen Okklusionen auftreten, um die Positionen der vom Detektor übersehenen Objekte zu schätzen. Unsere Studie zeigt, dass das vorgeschlagene unüberwachte Lernmodul für Neuidentifizierung vergleichbar mit dem überwachten Lernmodul für Neuidentifizierung ist, wenn es auf den neuesten MOT-Methoden angewendet wird, und dass die Verfolgungsleistung durch das vorgeschlagene Okklusionschätzmodul weiter verbessert wird.