BriefGPT - AI 论文速递
·
一致性追踪：一种具有一致性模型生成策略的鲁棒多目标追踪器
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提出了一种新颖的路径一致性概念，用于学习强健的物体匹配，无需使用手动物体标识监督。通过改变模型可以观察的帧的方式，即跳过观察中的帧，我们可以得到多个不同的关联结果来追踪一个物体。实验证明该方法在各种评估指标上优于现有的无监督方法，并且接近监督方法的性能水平。
🎯
关键要点
- 提出了一种新颖的路径一致性概念，用于学习强健的物体匹配，无需手动物体标识监督。
- 通过改变模型观察的帧的方式，跳过某些帧，得到多个不同的关联结果来追踪物体。
- 观察的差异不会改变物体的身份，因此关联结果应该是一致的。
- 生成多个观察路径，每个路径指定不同的跳过帧集合，并制定路径一致性损失。
- 在MOT17、PersonPath22、KITTI三个跟踪数据集上进行大量实验，结果优于现有无监督方法，接近监督方法的性能水平。
➡️
