.png){kind=icon}
返回
TrackSSM: a general motion predictor using a state space model
.png){kind=icon}
PRE
AI
DOI：10.1007/s11432-024-4849-2.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时序运动建模一直是多目标跟踪（MOT）的关键组成部分，它能够确保轨迹平滑并提供准确的位置信息以提升关联精度。然而，当前的运动模型难以在各类应用场景中兼顾高效性与有效性。为此，我们提出TrackSSM，受近期流行的状态空间模型（SSMs）启发，这是一种统一的编码器-解码器运动框架，利用数据相关的状态空间模型执行轨迹的时序运动预测。具体而言，我们提出Flow-SSM模块，该模块利用历史轨迹的位置和运动信息来引导目标边界框的时序状态转换。基于Flow-SSM，我们设计了流解码器，其包含一个级联的运动解码模块，采用Flow-SSM以利用编码后的流信息完成轨迹的时序位置预测。此外，我们提出了一种逐步线性（S2L）训练策略。通过在上一帧和当前帧中目标位置之间进行线性插值，我们构建逐步线性训练的伪标签，确保轨迹流信息能更好地引导目标边界框完成时序转换。TrackSSM利用简单的Mamba-Block构建历史轨迹的运动编码器，结合流解码器形成具有编码器-解码器结构的时序运动模型。TrackSSM适用于各类跟踪场景，并在多个基准上实现了优异的跟踪性能，进一步拓展了类SSM时序运动模型在多目标跟踪任务中的潜力。代码和模型公开可访问https://github.com/Xavier-Lin/TrackSSM。
Keyword:
2D multi-object tracking
state space model (SSM)
temporal motion model
hidden state
flow information
期刊
IF:
7.6
论文数:
4.9K
被引数:
8.9K
机构
引用论文
.png){kind=icon}
Learning Generalisable Omni-Scale Representations for Person Re-Identification学习广义的全方位表示以进行人员重新识别
OAAI
OAAI分享收藏FairMOT: On the Fairness of Detection and Re-identification in Multiple Object TrackingFairMOT: 关于多目标跟踪中检测和重新识别的公平性
PREAI
分享收藏
分享收藏 没有更多内容
没有更多内容