Quo Vadis_Is Trajectory Forecasting the Key 论文笔记

2024-02-06 10:40

本文主要是介绍Quo Vadis_Is Trajectory Forecasting the Key 论文笔记,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

主要解决长期跟踪问题

研究动机:在更长的时间范围内对未来轨迹进行推理

Introduction

首先说明,目前方法已经在短期预测、可见物体跟踪方向上取得成功。

用数据+图说明,长遮挡时,跟踪成功率(ID recall率)显著降低(问题引入)

(读一下这篇引用 Donald B Reid. An algorithm for tracking multiple targets. In Transactions on Automatic Control, 1979)

“This combinatorial complexity hinders the ability of visual-based ReID models to disambiguate between objects.” (“Quo Vadis_Is Trajectory Forecasting the Key”, p. 1) 这种组合复杂性阻碍了基于视觉的ReID模型对对象间进行消歧的能力。

为什么REID不能处理这种问题?

将轨迹预测应用于多目标跟踪并不简单,因为在图像空间中观测到的物体轨迹不遵循现实世界轨迹预测的假设。换句话说,物体在图像中的移动和出现方式与它们在现实世界中的移动和出现方式不同。这是由于各种因素造成的,例如相机的固有参数、方向和位置,以及由于观测时间有限、关联错误和物体定位不精确而导致的轨迹不确定性。因此,为了弥合预测和跟踪之间的差距,需要从图像空间到现实世界空间的转换。这种变换假设物体在平面地面上移动,并使用最初未知的同构变换将检测边界框的底部中心点映射到二维鸟瞰坐标。

Pipeline:

1.在原画面上进行跟踪,当目标丢失时转换到BEV进行轨迹预测

2.可见空间过滤,当预测轨迹出现在可见空间中,而没有相应匹配的detection时,认为该预测轨迹是错误的,删除

3.匹配到detection时进行重连

Method

3.1 H矩阵

深度估计器:Shariq Farooq Bhat, Ibraheem Alhashim, and Peter Wonka. Adabins: Depth estimation using adaptive bins. In Conference on Computer Vision and Pattern Recognition, 2021.

人工数据集:Matteo Fabbri, Guillem Brasó, Gianluca Maugeri, Orcun Cetintas, Riccardo Gasparini, Aljoša Ošep, Simone Calderara, Laura Leal-Taixé, and Rita Cucchiara. MOTSynth: How can synthetic data help pedestrian detection and tracking? In International Conference on Computer Vision, 2021.

语义分割网络:https: //github.com/facebookresearch/detectron2

分静态相机和运动相机讨论,

静态:只估计第一帧,后面全用相同的H

运动:对每一帧t计算不同的H_t,根据光流找出相邻帧中对应的像素(地面像素)并计算平移向量,从而估计相机的运动信息

3.2 forecasting

前处理:由于要使用LSTM编码,而该模型需要固定大小的输入,因此作者构造了如下规则的输入,

  • 同一Track ID的时序连续的detection
  • 卡尔曼滤波器平滑定位噪声
  • 线性外推到过去(保证每一轨迹的长度相同)

轨迹预测设计模式:需满足以下要求,

  • 随机性,social GAN + “best of many” loss(这两个都需要去了解一下)得到未来轨迹的可能分布(该分布受观测值约束),再去从该分布中采样
  • 社会互动,这些方法会将社会环境(即周围行人的轨迹)提供给轨迹的decoder,类似于nlp的方法。作者训练的social GAN 首先通过最大池化把不相邻的行人“分开”,之后送入decoder学习行人调整轨道、避免碰撞的模式
  • 多样性(复杂程度),作者实现了一个多生成器 GAN 网络,该网络训练多个解码器头专注于不同的模式。这允许通过从这些不同的生成器中进行采样来生成一组合理但最大程度分离的预测。(什么是最大程度分离?)

3.3 tracking

约定online tracker的输出为

f_i是resnet backbone提取的外观特征,b_i为bbox坐标,可以通过H矩阵变换为BEV坐标

  • 不更新的轨迹 -> 不活跃 -> 开始预测轨迹(该活动只在不活跃轨迹的第一帧开始)
  • 设置轨迹最大寿命
  • 确定相机的最大可见空间(根据Tarasha Khurana, Achal Dave, and Deva Ramanan. Detecting invisible people. In International Conference on Computer Vision, 2021.)这个变量是什么?

  • 如果预测轨迹进入可见空间,我们认为预测位置的BEV投影应该处于地面mask内并且与其他物体的重叠度小于0.25,不满足该条件则移除当前预测
  • 相对顺序的确定?(没看懂)
  • 当某一不活跃轨迹的所有预测都被移除,即使它还没有到寿命上限,我们也予以删除

关联代价设计:

该公式的约束说明:只有两bbox包围内容的外观相似度足够大且IOU足够大时才计算该函数

拟合较好时,IOU大,BEV投影的欧式距离小,得分高;反之,IOU小,max函数输出小(或等于0),得分低。

约束的作用是在候选者外观偏离巨大时过滤掉这些候选者,起到验证作用

基于现实空间距离的缺点:出现大量新检测且拥挤时,这些新检测的区分度不高,很容易导致ID错误

实验

从结果来看,该方法对MOTA提升不大,对IDSW,HOTA,AssA提升大,关联环节性能提升明显

这篇关于Quo Vadis_Is Trajectory Forecasting the Key 论文笔记的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/684051

相关文章

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

数学建模笔记—— 非线性规划

数学建模笔记—— 非线性规划 非线性规划1. 模型原理1.1 非线性规划的标准型1.2 非线性规划求解的Matlab函数 2. 典型例题3. matlab代码求解3.1 例1 一个简单示例3.2 例2 选址问题1. 第一问 线性规划2. 第二问 非线性规划 非线性规划 非线性规划是一种求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。运筹学的一个重要分支。2

【C++学习笔记 20】C++中的智能指针

智能指针的功能 在上一篇笔记提到了在栈和堆上创建变量的区别,使用new关键字创建变量时,需要搭配delete关键字销毁变量。而智能指针的作用就是调用new分配内存时,不必自己去调用delete,甚至不用调用new。 智能指针实际上就是对原始指针的包装。 unique_ptr 最简单的智能指针,是一种作用域指针,意思是当指针超出该作用域时,会自动调用delete。它名为unique的原因是这个

git ssh key相关

step1、进入.ssh文件夹   (windows下 下载git客户端)   cd ~/.ssh(windows mkdir ~/.ssh) step2、配置name和email git config --global user.name "你的名称"git config --global user.email "你的邮箱" step3、生成key ssh-keygen

查看提交历史 —— Git 学习笔记 11

查看提交历史 查看提交历史 不带任何选项的git log-p选项--stat 选项--pretty=oneline选项--pretty=format选项git log常用选项列表参考资料 在提交了若干更新,又或者克隆了某个项目之后,你也许想回顾下提交历史。 完成这个任务最简单而又有效的 工具是 git log 命令。 接下来的例子会用一个用于演示的 simplegit

记录每次更新到仓库 —— Git 学习笔记 10

记录每次更新到仓库 文章目录 文件的状态三个区域检查当前文件状态跟踪新文件取消跟踪(un-tracking)文件重新跟踪(re-tracking)文件暂存已修改文件忽略某些文件查看已暂存和未暂存的修改提交更新跳过暂存区删除文件移动文件参考资料 咱们接着很多天以前的 取得Git仓库 这篇文章继续说。 文件的状态 不管是通过哪种方法,现在我们已经有了一个仓库,并从这个仓