PaperWeekly|论文盘点：基于图卷积GNN的多目标跟踪算法解析( 二 )
本文插图
邻接矩阵的更新为：
本文插图
损失函数为 Graph Loss ， 即对正负链接边权的交叉熵损失函数：
本文插图
结果如下:
本文插图
【PaperWeekly|论文盘点：基于图卷积GNN的多目标跟踪算法解析】GNMOT
本文插图
论文标题：Graph Networks for Multiple Object Tracking
论文来源：WACV 2020
论文链接：http://openaccess.thecvf.com/content_WACV_2020/papers/Li_Graph_Networks_for_Multiple_Object_Tracking_WACV_2020_paper.pdf
代码链接：https://github.com/yinizhizhu/GNMOT
首先我们看看算法流程：
本文插图
可以看到 ， GNMOT 的不同在于表观和运动部分分别采用了 GNN 网络 ， 二者结合得到的是相似度矩阵 ， 由此输入数据关联部分 。 关于 GNN 网络的更新流程 ， 作者设计了 4 步：
本文插图
其中第一次边和节点的更新都是通过两层 FC 进行更新的 。 第三次的全局更新这里 ， 作者引入了一个全局变量 u ， 先计算所有节点的特征均值和边权均值 ， 再通过两层 FC 进行更新 。 这里的 u 会在出现在所有更新过程中 ， 作为一个调节量 。
本文插图
本文插图
最后一次的边权更新则是在两层 FC 之后再加了一层 softmax 层 。
本文插图
MPN Tracker
本文插图
论文标题：Learning a Neural Solver for Multiple Object Tracking
论文来源：CVPR 2020
论文链接：https://arxiv.org/abs/1912.07515
代码链接：https://github.com/selflein/GraphNN-Multi-Object-Tracking
我之前也介绍过这篇文章 ， 但是之前不懂 GNN ， 所以只能做搬运工 ， 现在学习了 GNN ， 所以就再次分析一下 。 首先是图的构建 ， 图节点由所有帧的所有目标构成 ， 直接将观测信息作为节点 ， 没有跟踪 ， 只有关联 。
节点属性特征由训练得到的表观特征和几何特征构成 ， 其中几何特征为位置和形状 。 并且定义表观特征距离用欧氏距离度量 ， 几何特征距离用下面的公式度量：
本文插图
时间特征自然就是帧数 ， 这几个特征通过一个 MLP 网络得到最终的特征表达 。
边的连接自然就是跨帧节点存在连接 ， 而同一帧节点不存在连接 ， 边权的设定就是上面的距离度量 。 也就是说 ， 这相当于一个端到端的离线跟踪框架 。
推荐阅读
![[白血病]“空中对话”来袭，透过临床实践看再生障碍性贫血的诊疗](http://ttbs.guangsuss.com/image/0c6b832de324c47fd4490a3a188674f1)
- 奇葩|盘点一下那些让人哭笑不得奇葩死亡的中国古代皇帝
- 方志四川|王怀林 ‖ 打开康巴之门（53）：重新认识西部文化——兼论文化资源的转化问题
- 用车|盘点停车需掌握的窍门
- 潮人集|王一博搭配太"要命"？盘点他在各个领域的穿搭，网友：不愧是你
- 岳飞|盘点历史上被冤杀的4大名将，李牧是真的冤，而岳飞冤不冤存疑
- 盘点|全球最“恶心”的5个景点，马桶瀑布不算什么，最后一个难以忍受
- 辣妹盘点酱|人生，11句话（精辟）
- 明兰|盘点《知否》中明兰最好看的衣服，不是云舞裳，不是绿孔雀，而是她的主母装
- 娱乐盘点大剧院|我们不能左右天气，可以改变心情;我们不能改变容貌，可以展现笑
- 娱乐盘点大剧院|可以不做善人，不能为非作歹；可以不做君子，不能去做小人，早安