StrongSORT: DeepSORT erneut großartig machen

In jüngster Zeit hat die Multi-Object-Tracking-(MOT)-Forschung zunehmend an Aufmerksamkeit gewonnen, wodurch erhebliche Fortschritte erzielt wurden. Allerdings neigen die bestehenden Ansätze dazu, verschiedene Grundmodelle (z. B. Detektor und Embedding-Modell) sowie unterschiedliche Trainings- oder Inferenz-Techniken zu nutzen. Dadurch ist die Entwicklung eines gut fundierten Baselines für eine faire Vergleichbarkeit von entscheidender Bedeutung. In dieser Arbeit wird zunächst der klassische Tracker DeepSORT überarbeitet und anschließend in mehreren Aspekten erheblich verbessert, darunter Objektdetektion, Merkmals-Embedding und Trajektorien-Assoziation. Der vorgestellte Tracker, StrongSORT, liefert eine starke und faire Basis für die MOT-Community. Darüber hinaus werden zwei leichte, plug-and-play-Algorithmen vorgeschlagen, um zwei inhärente „Lücken“ im MOT-Prozess zu beheben: fehlende Assoziation und fehlende Detektion. Insbesondere unterscheidet sich unser Ansatz von den meisten bestehenden Methoden, die kurze Tracklets mit hohem Rechenaufwand zu vollständigen Trajektorien assoziieren, indem wir ein appearancesfreies Verknüpfungsmodell (AFLink) einführen, das eine globale Assoziation ohne Nutzung von Erscheinungsinformationen ermöglicht und gleichzeitig ein gutes Gleichgewicht zwischen Geschwindigkeit und Genauigkeit erreicht. Zudem stellen wir eine auf der Gaussian-Prozess-Regression basierende, gauß-glättende Interpolation (GSI) vor, um das Problem der fehlenden Detektion zu mildern. AFLink und GSI lassen sich nahezu problemlos in verschiedene Tracker integrieren und verursachen dabei nur einen vernachlässigbaren zusätzlichen Rechenaufwand (1,7 ms und 7,1 ms pro Bild auf MOT17). Schließlich erreicht der kombinierte Tracker StrongSORT++, der StrongSORT mit AFLink und GSI fusioniert, durchgängig state-of-the-art-Ergebnisse auf mehreren öffentlichen Benchmarks, darunter MOT17, MOT20, DanceTrack und KITTI. Der Quellcode ist unter https://github.com/dyhBUPT/StrongSORT und https://github.com/open-mmlab/mmtracking verfügbar.