10.20009/j.cnki.21-1106/TP.2023-0195
融合GNN和记忆力机制的行人多目标跟踪
近年来,随着基于深度学习的目标检测模型的成熟,基于检测的跟踪(TBD)成为行人多目标跟踪(MOT)研究的主要方向,MOT研究重心逐渐向数据关联偏移.目前大部分MOT算法对于少量的丢失检测非常敏感,造成大量的身份互换和轨迹断裂,严重影响跟踪效果.而且算法需要对匈牙利算法选取不确定的阈值进行最大匹配,实际应用中难以做到.本文提出了一种基于图神经网络(GNN)的多目标跟踪(MOT)算法,算法构建了保存历史轨迹特征的记忆力机制,避免因目标检测丢失或失真导致的性能影响.同时通过GNN直接获取历史轨迹和当前检测的关联结果,克服了匈牙利算法预选阈值的问题.在MOT17 和20 挑战数据集的实验表明,与同类算法相比,本方法在MOT17 的核心指标达到最优水平.
多目标跟踪、图神经网络、记忆力机制
44
TP391(计算技术、计算机技术)
国家自然科学基金;江西省科技厅重点研发项目
2023-10-30(万方平台首次上网日期,不代表论文的发表时间)
共7页
2269-2275