论文标题：DEFT: Detection Embeddings for Tracking 论文链接：https://arxiv.org/abs/2102.02267 代码链接：https://github.com/MedChaabane/DEFT 作者单位：Uber ATG & Aurora 表现SOTA！性能优于CenterTrack、Tracktor v2等网络，代码刚刚开源！

大多数现代的多目标跟踪（MOT）系统遵循“tracking-by-detection ”范式，该范式由检测器和随后的将检测关联到tracks的方法组成。在跟踪组合运动和外观特征以提供对遮挡和其他挑战的鲁棒性方面已有悠久的历史，但是通常这是在较复杂和较慢的实现方式之间进行权衡的。流行的2D跟踪基准测试最近取得的成功表明，使用最先进的检测器和依赖于单帧空间偏移的相对简单的关联可以实现最高得分-尤其是在表现出色的现代方法上，这些方法利用了学习到的外观特征来帮助重新定位-识别丢失的曲目。在本文中，我们提出了一种有效的联合检测和跟踪模型，称为DEFT(Detection Embeddings for Tracking)。我们的方法依赖于与基础目标检测网络共同学习的基于外观的对象匹配网络。还添加了LSTM以捕获运动约束。 DEFT在2D在线跟踪排行榜上具有与顶级方法相当的准确性和速度，同时在应用于更具挑战性的跟踪数据时，在鲁棒性方面具有明显优势。 DEFT提高了nuScenes单目3D跟踪挑战的门槛，比以前的顶级方法的性能提高了一倍以上。代码是公开可用的。

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