.png){kind=icon}
返回
GGSTrack: Geometric graph with spatio-temporal convolution for multi-object tracking
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.131234.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 图卷积网络（GGCNs）在多目标跟踪中的应用：该论文介绍了一种新颖的多目标跟踪算法GGSTrack，该算法整合了几何图卷积网络（GCNs）以建模目标之间的空间关系。该方法通过捕捉目标之间的几何交互来增强密集场景下的跟踪性能。
• 创新的时空建模框架：提出了一种时空结构，结合了几何图卷积和时序卷积网络（TCNs），以全面捕捉多帧中目标的时空特征。这使算法能够在复杂场景（如遮挡和快速运动）中实现鲁棒跟踪。
• 级联匹配框架：为提升跟踪效率与精度，GGSTrack集成了一个四阶段级联匹配框架，逐步处理包括低置信度候选匹配、遮挡处理和重复检测等跟踪子任务。该模块化设计降低了计算复杂度，同时保持了高跟踪精度。
• 公开数据集上的性能：大量实验表明，GGSTrack在多个基准数据集（包括密集场景和复杂遮挡情况）上表现优异。该算法优于现有方法，为多目标跟踪领域树立了新标准。
• 新的时序卷积网络（TCN）应用：该论文率先将时序卷积网络应用于多目标跟踪，利用其捕捉长距离时序依赖的能力，提升跟踪稳定性，特别是在动态和挑战性环境中。
Keyword:
Graph Convolutional Networks
Multi-Object Tracking
Spatio-Temporal Modeling
Temporal Convolutional Networks
Cascade Matching
