本文主要是介绍Subgraph Decomposition for Multi-Target Tracking,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!
来源:CVPR2015
创新点:
跟踪的常规做法是:首先在空间上选择假设,然后随着时间的推移连接这些假设,在这个过程中需要保证不相交的路径约束。在拥挤场景下,多重假设往往是彼此相似的。基于此,本文提出将时间和空间联合起来,连接合理的检测结果。特别的,将MOT看成是一个最小代价子图多割(a minimum cost subgraph multicut problem)问题。成对的检测假设可以表明检测是在同一帧、相邻帧或者遥远帧,这点有利于远程重识别和帧内聚类。
贡献:
①第一次为MOT问题提出一种子图多割(multicut)模型,联合解决检测假设的时空关联。
②提供了关于子图多割(subgraph multicut)和不相交(disjoint)路径模型的深入分析。实验结果表明子图多割模型由于好的检测器对每个目标提供了多种假设而占有很大的优势。
③基于Kernighan-Lin算法提出了一种假设解,这使得这一方法可以用于大的序列。
这篇关于Subgraph Decomposition for Multi-Target Tracking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!