deepsort是否需要重新训练?
发布网友
共1个回答
热心网友
本文讨论了通过将外观信息集成到SORT多目标跟踪算法中，以提高其性能，进而有效地减少身份切换数量，缓解重识别问题。SORT是一个基于简单算法的多目标跟踪方法，通过匈牙利方法在图像空间和逐帧数据关联中执行卡尔曼滤波，实现在线实时跟踪。该方法的性能在高帧率下表现出色，但在遮挡情况下存在跟踪精度不足的问题。
引入深度关联度量是SORT改进的关键。这不仅包括传统的卡尔曼滤波器运动信息度量，还整合了视觉外观空间中的最近邻查询，以提高系统对遮挡和未命中情况的鲁棒性。深度学习模型，如卷积神经网络（CNN），被用于在大规模人员重新识别数据集上学习行人特征，从而在外观信息上进行更准确的关联。
在SORT算法的核心组件中，航迹处理和卡尔曼滤波框架被保持不变，但对跟踪过程进行了优化。新轨迹的确认被设置为连续三次检测命中，以增加对遮挡的跟踪鲁棒性。分配问题中的关联度量通过结合马氏距离和外观特征相似度余弦距离，形成了互补的关联方法。马氏距离考虑了基于运动的物体位置预测，而外观特征相似度则提供了在长期遮挡后恢复身份的额外信息。这种结合使得算法在保持系统易于实现的同时，显著减少了身份切换的数量。
为了进一步提高跟踪性能，算法引入了一个匹配级联，优先考虑最近看到的对象，以编码关联概率分布的概念。在匹配过程中，年龄较短的轨迹被优先匹配，以减少磁道碎片和增加身份稳定性。此外，使用预训练的深度外观描述符，通过CNN在离线阶段学习了具有辨别能力的特征嵌入，从而实现与余弦外观度量兼容的深度度量学习。
实验结果显示，使用该改进方法的在MOT16基准上显著减少了身份切换的数量，将ID开关数量从1423个减少到781个，降低了约45%。同时，通过整合外观信息，算法成功地保持了更长的遮挡时间内身份的连续性。改进后的在MOTA、MOTP、MT、ML等指标上与当前在线跟踪框架进行竞争，展现出强大的性能。
综上所述，通过将外观信息集成到SORT中并引入深度关联度量，不仅提高了跟踪算法在遮挡情况下的鲁棒性，还显著减少了身份切换，使其成为在线多目标跟踪的有力竞争对手。此方法保持了算法的易于实现性和实时运行能力，为实际应用提供了高效、准确的解决方案。
