Self-Supervised Multi-Object Tracking with Path Consistency

本文提出了一种新颖的路径一致性概念，以学习强健的目标匹配而无需使用手动的目标身份监督。我们的关键思想是，为了通过帧来跟踪一个目标，我们可以通过改变模型可以观察的帧，即跳过观察帧，从模型中获得多个不同的关联结果。由于观察中的差异不会改变对象的身份，因此获得的关联结果应该是一致的。基于这个理念，我们生成多个观察路径，每个路径指定跳过的帧的不同集合，并制定路径一致性损失，以强制不同观察路径下的关联结果一致。我们使用所提出的损失函数仅使用自我监督来训练我们的目标匹配模型。通过对三个跟踪数据集（MOT17、PersonPath22、KITTI）的广泛实验，我们证明了我们的方法在各种评估指标上优于现有的无监督方法，并且甚至实现了接近监督方法的性能。

提出了一种新的概念——路径一致性，以实现无需手动对象身份监督的鲁棒目标匹配。论文试图解决在目标跟踪中不需要手动标注对象身份信息的问题。

通过跳过观察中的帧数，从模型中获得多个不同的关联结果，以跟踪对象通过帧。由于观察中的差异不会改变对象的身份，因此所获得的关联结果应该是一致的。基于这一理念，生成多个观察路径，每个路径都指定要跳过的不同帧集，并制定了路径一致性损失，以确保不同观察路径下的关联结果是一致的，利用提出的损失函数进行自我监督的目标匹配模型的训练。

论文在三个跟踪数据集（MOT17，PersonPath22，KITTI）上进行了广泛的实验，证明了该方法在各种评估指标上优于现有的无监督方法，并且甚至实现了接近监督方法的性能。论文的亮点在于提出了一种新的概念——路径一致性，并且只需要自我监督就可以实现目标匹配，而不需要手动标注对象身份信息。

最近在这个领域中，还有一些相关的研究被进行。例如，UnOVOST、SORT和DeepSORT等。