CorrTracker解读
其实这篇文章早就在MOT Challenge的Leaderboard上名列前茅了，不过方法名那时候叫TLR。最近论文开放了出来，是Alibaba Group的工作，被收录于CVPR2021，在精度很高的前提下速度还不低，是名副其实的一个MOT新SOTA方法。
简介
近段时间MOT领域的工作表明，卷积神经网络通过同时学习检测和外观特征可以带来较大的性能收益，然而，由于卷积神经网络结构上的局部感知特性，不能有效获得空间和时间上的长程依赖。因此，CorrTracker这篇文章中，为了整合空间布局，作者提出利用局部相关模块（correlation module）对目标及其周围环境之间的拓扑关系进行建模，以增强模型在拥挤场景中的判别能力。具体来说，该方法建立每个空间位置及其上下文的密集对应关系，并通过自监督学习显式地约束correlation volumes（相关性空间）。为了利用时间上下文信息，现有的方法通常利用两个或多个相邻帧来构建更强的特征表示，但是卷积神经网络很难刻画动态运动场景。针对此，论文作者提出了一种可学习的相关性算子来在不同层的卷积特征图上建立帧与帧的匹配，从而对齐并传播时间上下文信息。以这些设计为基础构建的CorrTracker在多个基准数据集上达到了SOTA表现，在MOT17上以76.5的MOTA和73.6的IDF1得分成为新的SOTA，这也是目前MOT17榜单上所有有论文的方法中的第一名。
-
论文标题
Multiple Object Tracking with Correlation Learning
-
论