Cluster-Self-Refinement zur Verbesserung des Online-Mehr-Kamera-Menschenverfolgung

In jüngster Zeit hat es eine erhebliche Menge an Forschung zu Multi-Camera People Tracking (MCPT) gegeben. Im Vergleich zum Multi-Object Single Camera Tracking stellt MCPT zusätzliche Herausforderungen dar, weshalb viele bestehende Studien diese mithilfe von Offline-Methoden angehen. Allerdings können Offline-Methoden nur vorab aufgezeichnete Videos analysieren, was ihre praktische Anwendbarkeit in der Industrie im Vergleich zu Online-Methoden deutlich einschränkt. Daher konzentrierten wir uns darauf, die zentralen Probleme zu lösen, die bei der Anwendung des Online-Ansatzes auftreten. Insbesondere adressierten wir Probleme, die die Leistung des Online-MCPT kritisch beeinträchtigen können, wie etwa das Speichern von ungenauen oder von geringer Qualität stammenden Erscheinungsfunktionen sowie Situationen, in denen eine Person mehreren IDs zugeordnet wird. Hierfür schlugen wir ein Cluster Self-Refinement-Modul vor. Mit diesem Ansatz erreichten wir beim AI City Challenge Track 1 2024 den dritten Platz mit einer HOTA-Score von 60,9261 %. Der Quellcode ist unter https://github.com/ nota-github/AIC2024_Track1_Nota verfügbar.