JDT3D: Addressing the Gaps in LiDAR-Based Tracking-by-Attention

跟踪-检测（TBD）方法在自动驾驶的3D跟踪基准测试中实现了最先进的性能。另一方面，跟踪-注意力（TBA）方法有潜力在长时间遮挡和具有挑战性的检测设置方面胜过TBD方法。本研究使用基于LiDAR的联合检测器和跟踪器JDT3D，调查了为什么TBA方法在性能上仍然落后于TBD方法。基于这个分析，我们提出了两种通用方法来弥合TBD和TBA方法之间的差距：跟踪采样增强和基于置信度的查询传播。JDT3D在nuScenes数据集上进行训练和评估，在nuScenes测试集上的AMOTA指标达到0.574，超过所有现有的基于LiDAR的TBA方法6%以上。根据我们的结果，我们进一步讨论了现有TBA模型公式的一些潜在挑战，以解释与TBD方法之间的性能差距。JDT3D的实现可以在以下链接中找到：https://github.com/TRAILab/JDT3D。

论文试图通过提出两种方法来解决Tracking-by-attention (TBA)方法在3D自动驾驶跟踪中性能不如Tracking-by-detection (TBD)方法的问题。

论文提出的两种方法是track sampling augmentation和confidence-based query propagation，可以填补TBA方法和TBD方法之间的性能差距。

论文使用LiDAR-based joint detector and tracker called JDT3D在nuScenes数据集上进行了训练和评估，实现了0.574的AMOTA指标，优于所有现有的基于LiDAR的TBA方法超过6%。论文还讨论了TBA模型公式的一些潜在挑战。

最近的相关研究包括：1. 'CenterTrack: Tracking Objects as Points'；2. 'A Simple Baseline for Multi-Object Tracking'；3. 'FairMOT: On the Fairness of Detection and Re-Identification in Multiple Object Tracking'。