摘要
本文介绍了UncertaintyTrack：利用多目标跟踪中的检测和定位不确定性。由于研究界的强烈兴趣和不断改进目标检测方法，因此近年来多目标跟踪（MOT）方法的性能得到显著提升。大多数跟踪方法遵循先检测后跟踪（TBD）范式，盲目地信任传入的检测结果，而不在意其关联的定位不确定性。这种不确定性感知的缺少给自动驾驶等安全关键任务带来了问题，这是由于错误的检测结果传递给下游任务（包括MOT）而导致乘客面临风险。尽管在概率目标检测方面已有工作能够预测边界框周围的定位不确定性，但是在自动驾驶的2D MOT方面没有工作研究这些估计是否足够有意义以在目标跟踪中被有效利用。本文引入了UncertaintyTrack，这是一组能够应用于多个TBD跟踪器的扩展，以实现概率目标检测器的定位不确定性估计。在Berkeley Deep Drive MOT数据集上的实验表明，本文方法和信息不确定性估计的结合将ID切换的次数减少了大约19%，并且将mMOTA提高了2-3%。
主要贡献
本文的贡献总结如下：
1）本文提出了检测不确定性感知卡尔曼滤波器、置信椭圆滤波、边界框松弛和基于熵的贪婪匹配，它们是对现有2D跟踪器简单、直观而有效的扩展，以解决检测不确定性。与现有基线相比，本文的一组扩展（称为UncertaintyTrack）将ID切换的次数减少了大约19%，并且将mMOTA提高了2-3%；
2）本文研究了由于使用不同的数据集和检测器而导致的不确定性估计的变化是如何影响MOT性能的；
3）本文表明，定位不确定性分布的明确参数为人类可解释性和MOT误差源识别提供了有意义的见解。
论文图片和表格
总结
本文研究了从概率目标检测器学习的边界框不确定性的质量，并且提出了UncertaintyTrack，这是一组适用于若干种最先进的先检测后跟踪MOT方法的扩展，以利用预测的不确定性。使用UncertaintyTrack进行实验，结果表明，概率目标检测器输出了可用于跟踪器的有意义的定位不确定性估计结果，以提高在复杂场景下的整体性能。本项工作提供了具体的例子，该例子证明了概率目标检测器对MOT等下游任务的有效性，并且为更具创新性的概率跟踪技术以及更多的概率目标检测应用铺平了道路。今后的潜在工作包括将UncertaintyTrack扩展到3D跟踪器，并且将学习的检测不确定性与跟踪器中的特征表示不确定性相结合。
发表回复