21、多目标跟踪与分割的鲁棒感知技术

多目标跟踪与分割的鲁棒感知技术

1. 鲁棒感知跟踪方法

在数据存在不确定性的情况下，为了改进多目标的在线跟踪，提出了一种基于条件随机场（CRF）模型的方法。该方法能够处理每个对象的不同跟踪可能性以及它们之间的相互关系。同时，还创建了特殊函数来应对常见的跟踪问题，并引入了两种处理模型中不同情况的有效方法。

通过在真实世界数据集上的测试，证明了这种改进方法比传统方法效果更好，并且经过多种方式的测试，确保了该方法在各种情况下的适用性。

2. 基于分割的多任务学习跟踪

2.1 基于分割的多目标跟踪

对象运动跟踪和分割方法都依赖于对象的特征，因此具有共享的学习特征。这种特征重叠有可能提高网络性能。在自动驾驶车辆的感知中，识别场景中的单个实例是一项重要任务，包括对象识别和区域内容分类。

目前，使用两阶段卷积神经网络的方法需要先识别图像中的实例，再为属于不同实例的像素分配标签，这会消耗大量时间。而一阶段实例分割方法则试图在生成边界框的同时创建表示，然后将两者合并以产生最终模式。一些研究将实例分割转化为轮廓查找任务，但在处理重叠和截断问题时遇到挑战。此外，无锚点技术在近期取得了不错的效果。

多目标跟踪是指在视频中同时跟踪多个对象。一些研究使用光流和场景流来监测对象在二维和三维空间中的运动，并利用循环神经网络和长短期记忆网络来学习过去轨迹数据与当前检测之间的相似度。

使用检测方法和分割掩码可以提高跟踪效果。基于对象检测的跟踪方法先确定感兴趣对象的区域，再通过数据关联算法建立当前对象与历史轨迹的联系；基于分割的跟踪方法则利用像素级掩码来精确定义对象，解决对象重叠和遮挡问题。