【多目标跟踪】开源 | 深度运动建模网络：在UA-DETRAC挑战中，实现了12.80 @ 120+ fps的PR-MOTA得分

论文地址： http://arxiv.org/pdf/2008.08826v1.pdf

代码： https://github.com/shijies/omnimotdataset

来源： 长安大学，西澳大利亚大学，迪肯大学，中佛罗里达大学

论文名称：Simultaneous Detection and Tracking with Motion Modelling for Multiple Object Tracking

原文作者：ShiJie Sun

内容提要

基于深度学习的多目标跟踪(MOT)目前依赖于现成的检测器进行检测跟踪。这导致深度模型带有检测器的偏差，同时评估受到检测器的影响。为了解决这一问题，我们引入了深度运动建模网络(DMM-Net)，该网络以端到端方式进行联合检测和关联，可以估计多个目标的运动参数。DMM-Net在多个帧上对对象特性进行建模，并同时推断出对象类、可见性及其运动参数。这些输出很容易用于更新tracklet以实现高效的MOT。在著名的UA-DETRAC挑战中，DMM-Net实现了12.80 @ 120+ fps的PR-MOTA得分——这是更好的性能和更快的数量级。我们还提供了一个合成的大规模公共数据集Omni-MOT用于车辆跟踪，提供了精确的真值标注，以消除检测器对MOT评估的影响。这个14M+帧的数据集是可扩展的，我们演示了Omni-MOT对于使用DMM-Net进行深度学习的适用性，并公开了我们的网络源代码。

主要框架及实验结果