Deep Afﬁnity Network for Multiple Object Tracking

资源下载
多对象跟踪的深度亲和网络（偷个懒，只讲DAN）
3 PROPOSED APPROACH
- 3.1 Object Detection and Localization
- 3.2 Deep Afﬁnity Network (DAN)
- - 3.2.1 Data Preparation
  - 3.2.2 Feature Extractor
  - 3.2.3 Afﬁnity Estimator
  - 3.3 DAN Deployment
  - 3.4 Deep Track Association
4 EXPERIMENTS
- 4.2 Multiple Object Tracking 17 (MOT17)
- - 4.2.2 Evaluation Metrics
  - 4.2.3 Results
5 DISCUSSION
- 5.1 evaluate the accuracy of the afﬁnity matrix predicted by DAN
- 5.2 ablation analysis

资源下载

原文pdf下载

多对象跟踪的深度亲和网络（偷个懒，只讲DAN）

3 PROPOSED APPROACH

首先引入简明描述的符号和约定，Notations：

3.1 Object Detection and Localization

目标检测阶段期望一个视频帧作为输入，并输出该帧中的目标对象的一组边界框。由于我们的主要贡献是在目标跟踪而不是检测方面，所以我们参考的是探测器的原始工作

3.2 Deep Afﬁnity Network (DAN)

Fig.1，我们使用深度亲和网络（DAN）对物体在视频帧中的外观进行了建模，并计算了它们的跨帧亲和度。
将所提出的网络作为两个组件提出，即

(a)特征提取器
(b)亲和估计器。

然而，整个提议的网络是端到端可训练的。

3.2.1 Data Preparation

对可用的数据执行以下预处理步骤：

Photometric distortions
Frame expansion
Cropping

Fig.2，说明了我们构建数据关联矩阵的方法
创建一个考虑虚拟对象的中间矩阵（带有零的行和列）来实现每帧对象数=5。
增加额外的列和行，以便在两帧之间包括Un-Identified 目标（分别离开和输入的对象）。

Table 1，总结了可用作我们网络输入的实体。

3.2.2 Feature Extractor

特征提取是通过将视频帧对和对象中心通过两个卷积层流来进行的，这些流在我们的实现中共享了模型参数，而它们的体系结构是受到VGG16网络的启发，将VGG的全连接和软层转换为卷积层后，使用VGG架构

Table 3，图1中特征降维层详图：3层选自VGG网络

3.2.3 Afﬁnity Estimator

Table 2，表2的下半部分

DAN的这个组件的目标是使用它们提取的特征来编码对象之间的亲和关系

3.3 DAN Deployment

Fig.3，每一帧只通过对象检测器和特征提取器一次，但特征被多次用于计算与多个其他帧的亲和度。

3.4 Deep Track Association

为了将当前帧中的对象与之前的多个帧关联起来，我们存储了这些帧的特征矩阵及其时间戳。
Fig.3，如图3所示，计算出的亲和矩阵通过回顾前面的帧来更新轨迹集。

4 EXPERIMENTS

在本节中，我们根据三个著名的多目标跟踪挑战来评估所提出的方法，即多对象跟踪17（MOT17）、多对象跟踪15（MOT15）和UA-DETRAC

4.2 Multiple Object Tracking 17 (MOT17)

7个不同的室内和室外公共场所场景，以行人作为感兴趣的对象

4.2.2 Evaluation Metrics

评估指标如下：

4.2.3 Results

我们的结果明显优于现有的MOTA和MOTAL的在线方法
Fig.4，我们的跟踪器能够很容易地从遮挡中恢复

5 DISCUSSION

DAN是第一个同时模拟对象外观和计算帧间对象亲和度的深度网络

5.1 evaluate the accuracy of the afﬁnity matrix predicted by DAN

5.2 ablation analysis

目标检测——day45 Deep Afﬁnity Network for Multiple Object Tracking相关推荐

分析显著性目标检测--Global Context-Aware Progressive Aggregation Network for Salient Object Detection
分析显著性目标检测--Global Context-Aware Progressive Aggregation Network for Salient Object Detection 引入方法网 ...
目标检测--A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection
A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection ECCV2016 https://g ...
【目标检测】FPN(Feature Pyramid Network)
[目标检测]FPN(Feature Pyramid Network) - 知乎Feature pyramid network是CVPR2017年的一篇文章,它在目标检测中融入了特征金字塔,提高了目标检 ...
基于dota的目标检测（旋转框）论文阅读Oriented Object Detection in Aerial Images with Box Boundary-Aware Vectors
基于dota的目标检测(旋转框)|论文阅读Oriented Object Detection in Aerial Images with Box Boundary-Aware Vectors 文章目录 ...
DSGN: Deep Stereo Geometry Network for 3D Object Detection---基于双目视觉的3D目标检测（1）
主要工作为了弥合2D图像和3D空间之间的差距,在平面扫描体中建立立体对应关系,然后将其转换为3DGV(3D geometric volume),以便能够对3D几何体和语义线索进行编码,并能在世界坐标 ...
对抗学习用于目标检测--A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection CVPR 2017 Caffe code : http ...
显著性目标检测之Shifting More Attention to Video Salient Object Detection
Shifting More Attention to Video Salient Object Detection 文章目录 Shifting More Attention to Video Sali ...
【3D目标检测】HDNET: Exploiting HD Maps for 3D Object Detection论文综述（2018）
1. 为什么要做这个研究(理论走向和目前缺陷) ? 之前的3D目标检测都不用高精地图,而是直接基于感知设备获得的数据做感知,高精地图一般只用于规划,白白浪费了这么简单易得的提升检测效果的方法. 2. ...
【小样本目标检测实践VOC格式】Frustratingly Simple Few-Shot Object Detection
文章目录数据准备数据来源数据预处理 FSDet step1.配置环境,跑通demo.py step2.准备base model step3.制作自己的few-shot数据集 builtin.py ...

目标检测——day45 Deep Afﬁnity Network for Multiple Object Tracking