DfTrack: Deconfused Data Association Framework for Multi-Object Tracking

doi:10.1109/TCSVT.2025.3571763

DfTrack: Deconfused Data Association Framework for Multi-Object Tracking

0

PRE

AI

DOI：10.1109/TCSVT.2025.3571763

原文链接

原文求助

摘要

En 中文

准确的数据关联在多目标跟踪（MOT）中发挥着关键作用，因为它有助于减少身份切换和分配错误等混淆。然而，许多现有的先进方法往往忽视了轨迹之间的多样性以及各种类型线索中存在的模糊性和冲突性。因此，在进行简单的全局数据关联时，检测、轨迹和关联之间会产生混淆。为解决此问题，我们提出了一种简单、通用且高度可解释的去混淆数据关联框架（DDAF）。DDAF通过一系列非学习模块将传统的关联问题分解为多个子问题，并通过战略性地利用新线索选择性地解决每个子问题中的混淆。基于DDAF，我们设计了一个强大的多目标跟踪器DfTrack，该跟踪器专门针对MOT中的混淆问题。此外，我们讨论了DDAF的不同具体实现，以应对低帧率、相机运动和跨域场景等具有挑战性的环境。相应地，我们还开发了DfTrack的几个变体，展示了DDAF的显著可扩展性和适应性。在MOT17、MOT20和DanceTrack数据集上进行的大量实验表明，DDAF显著优于简单的全局关联方法，其变体能够适应各种具有挑战性的环境。此外，DfTrack在多个数据集上实现了最先进（state-of-the-art）的性能，其在MOT17、MOT20和DanceTrack上的HOTA分别为65.2%、63.9%和64.4%。DfTrack-Hybrid变体在此基础上进一步提升了性能。这些结果验证了我们的DDAF能够有效分解和解决全局关联中的各种混淆，且无需任何学习成本。

Keyword:

Multi-object tracking

data association

low frame rate

camera motion

cross-domain

DfTrack: Deconfused Data Association Framework for Multi-Object Tracking

摘要

期刊

机构

引用论文