前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Observation-Centric SORT

Observation-Centric SORT

作者头像
iResearch666
发布2023-09-13 13:55:28
2670
发布2023-09-13 13:55:28
举报
文章被收录于专栏:AI算法能力提高班

Observation-Centric SORT: Rethinking SORT for Robust Multi-Object Tracking


  • paper https://arxiv.org/abs/2203.14360
  • code https://github.com/noahcao/OC_SORT

Abstract

  • Kalman fileter (KF) 假设目标是线性运动(刚体),但是在遮挡和长时间的线性运动下非常不准确。由于会信任这种线性运动的prior,在遮挡的时候会累计误差,从而出现运动方向的方差很大。
  • 本文Observation-Centric SORT (OC-SORT) 在KF基础上,利用detector计算遮挡时虚拟轨迹,修正遮挡产生的累计误差。在遮挡和非线性运动下,取得了2022年的SOTA。

Related Works

Motion Models

  • KF 按照预测-更新循环的递归贝叶斯滤波器

Multi-object Tracking

  • SORT
  • DeepSORT
  • Transformer: 性能低于tracking-by-detection

Contributions

  • Estimation-Centric 变成 Observation-Centric 降低KF的误差
    • OOS(Observation-centric Online Smoothing):减少KF带来的累积误差
    • OCM(Observation-centric Momentum):在代价矩阵中加入轨迹的方向一致性,更好地实现匹配
    • OCR(Observation-centric Recovery):恢复由于遮挡造成的跟丢问题

Methodology

Overview

image-20230802105928151

  • KF固有局限性(SORT limitations)
    • Sensitive to State Noise
    • Temporal Error Magnification
    • Estimation-Centric

Observation-centric Re-Update (ORU)

  • WHY
    • 在track重激活(本来track,由于遮挡,没有了track,后来没被遮挡又被track)会由于时间累计误差放大,KF任然会lost该目标
  • HOW
    • 提出ORU,针对重激活,利用遮挡untrack这段时间的检测更新KF参数预测虚拟轨迹,降低累计误差。
    • ORT作为predict-update独立分支,只对re-activate触发,其它情况不用

    image-20230802111220560

    image-20230802120952100

Observation-Centric Momentum (OCM)

  • WHY
    • 当t很小,速度噪声很明显
    • 当t很大,方向估计噪声很明显(因为时间误差放大和线性运动假设失效)
    • 当时间间隔t很短,我们近似运动是线性的,而线性运动的假设要求运动方向的连续性
  • HOW
    • 提出观察来降低运动方向计算噪声,同时提出连续项loss增加关联

    image-20230802115846816

    • t需要trade-off, 增加t可以降低noise,但是需要满足线性运动时间短假设

    image-20230802120419940

    image-20230802121101083

Observation-Centric Recovery (OCR)

  • 针对目标停止或者短时间遮挡情况,在正常association stage之后,增加第二关联阶段,对没有匹配的track和detection进行关联

image-20230802121123198

Experiments

Code

image-20230802121600293

image-20230802121643232

Result

image-20230802120440375

image-20230802120109068

Conclusions

The gain is especially significant for multi-object tracking under occlusion and non-linear object motion.

References

  • Deep OC-SORT: Multi-Pedestrian Tracking by Adaptive Re-Identification
    • https://arxiv.org/abs/2302.11813
    • https://github.com/GerardMaggiolino/Deep-OC-SORT

image-20230802135723292

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2023-08-02 14:03,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 iResearch666 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • Abstract
  • Related Works
    • Motion Models
      • Multi-object Tracking
      • Contributions
      • Methodology
        • Overview
          • Observation-centric Re-Update (ORU)
            • Observation-Centric Momentum (OCM)
              • Observation-Centric Recovery (OCR)
              • Experiments
                • Code
                  • Result
                  • Conclusions
                  • References
                  领券
                  问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档