论文标题：TrackMPNN: A Message Passing Graph Neural Architecture for Multi-Object Tracking 论文链接：https://arxiv.org/abs/2101.04206 作者单位：UCSD, Luminar(激光雷达公司) 本文提出了一种基于动态，无向，二分图的新颖多目标跟踪(MOT)框架，此方法是在线的，能够跟踪多个对象，在多个时间步上进行推理并在任何给定时间保存多个假设。可以在几乎任何现代GPU上实时运行，而不会超出内存和计算限制。代码即将开源！

这项研究遵循了许多以前的多目标跟踪（MOT）方法，这些方法使用基于图的数据结构对问题进行建模，并使这种表述适应现代神经网络。我们在这项工作中的主要贡献是创建了一个基于动态无向图的框架，该框架表示多个时间步上的数据关联问题，以及一个消息传递图神经网络（GNN），该神经网络在这些图上进行操作以为每个关联产生所需的可能性在其中。我们进一步为解决计算问题提供解决方案和建议，以创建一种内存有效的实时在线算法，该算法可以在多个时间步上进行推理，更正先前的错误，更新信念，拥有长期记忆并处理错过/错误的检测。除此之外，我们的框架还提供了灵活的时间窗口大小选择以及用于训练的损失选择。本质上，这项研究为使用基于监督学习的常规技术训练任何一种基于图的神经网络提供了框架，然后使用这些训练后的模型以在线，实时，可计算的方式推断新序列。为了证明我们方法的有效性和鲁棒性，我们仅使用2D框位置和对象类别为每个对象实例构造描述符。尽管如此，我们的模型仍能与使用多种手工制作和/或学习功能的最新方法相媲美。在用于自动驾驶的流行MOT基准上的实验，定性示例和竞争性结果证明了所提出方法的前景和独特性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除