PaperWeekly|论文盘点：基于图卷积GNN的多目标跟踪算法解析( 四 )
本文插图
本文插图
效果如下：
本文插图
本文插图
可以看到利用网络回归的方式得到的相似度度量方式要比余弦距离和欧氏距离好 ，2D 和 3D 特征融合的方式更优 ， 结合了关联矩阵和节点差异的聚合方式 ， 即 Table7 中的 type4 更优 。
GNNTrkForecast
本文插图
论文标题：Joint 3D Tracking and Forecasting with Graph Neural Network and Diversity Sampling
论文链接：https://arxiv.org/abs/2003.07847
代码链接：https://github.com/xinshuoweng/GNNTrkForecast
本文插图
这篇论文里面 ， 作者通过 GNN 将 3D MOT 和轨迹预测结合在一起了 。 其中对于 GNN 网络的构建以及关联矩阵的获取跟之前的论文几乎一致 ， 具体我们就不介绍了：
本文插图
那么 3D MOT 分支实际上就是 GNN 模型中的一部分 ， 是根据 GNN 的边权矩阵进行数据关联：
本文插图
而对于轨迹预测分支 ， 作者基于条件自编码器的形式 ， 设计的流程图如下 ， 由于这块我不熟悉 ， 所以我就不细讲了 。
本文插图
效果如下：
本文插图
本文插图
JDMOT_GNN
本文插图
论文标题：Joint Detection and Multi-Object Tracking with Graph Neural Networks
论文链接：https://arxiv.org/abs/2006.13164
也许是看到最近联合检测和跟踪的框架很热门 ， 作者团队又给加入了 GNN 模块 ， 所以我们简单提一下：
本文插图
最开始的表观和运动特征部分就不提了 ， 一个是 LSTM/MLP 回归 ， 一个是 Darknet53 回归得到的 。 图的构建依旧是以检测框和目标作为节点 ， 节点特征的更新则是：
这里面要注意的是两个 head ， 其中检测 head 的是根据各节点特征利用 MLP 降维得到用于分类和回归的特征 。 而数据关联 head 则是边权 ， 它的确定是依据节点特征的差异 ， 通过三层全连接得到的：
最终效果如下：
本文插图
可以看到单纯用 GNN 做数据关联的提升并不大 ， 当然 ， 这里并没有做消融实验 ， 也不能妄下评论 。
参考文献
[1] Jiang X, Li P, Li Y, et al. Graph Neural Based End-to-end Data Association Framework for Online Multiple-Object Tracking[J]. arXiv preprint arXiv:1907.05315, 2019.
推荐阅读
- 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