BriefGPT - AI 论文速递
·
AttMOT: 引入辅助行人属性来改善多目标跟踪
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该文介绍了一种预测行人属性的方法，以支持通用的Re-ID嵌入。作者提出了一个大型综合数据集AttMOT，用于行人跟踪。他们探索了不同的方法来融合Re-ID嵌入和行人属性，包括注意机制。实验结果表明，该方法在AttMOT数据集和其他行人多目标跟踪基准中表现出有效性和通用性。
🎯
关键要点
-
提出了一种简单、有效和通用的方法来预测行人属性，以支持通用的Re-ID嵌入。
-
介绍了一个包含超过80k帧和600万行人ID的AttMOT大型综合数据集，用于行人跟踪。
-
探索了不同的方法来融合Re-ID嵌入和行人属性，包括注意机制。
-
希望促进属性辅助的多目标跟踪的发展。
-
方法AAM在AttMOT数据集上实验，并在几个代表性的行人多目标跟踪基准中展示了其有效性和通用性。
➡️
