Multi-Object Tracking with Quadruplet Convolutional Neural Networks

来源：CVPR2017

创新点：

本文为MOT提出了四元卷积神经网络（Quad-CNN），使用四元损失（quadruplet losses）跨帧关联物体检测。所提出的网络为进行数据关联考虑目标的外观和他们的时间邻接关系。不像传统的ranking losses，这一四元损失强制执行一个附加约束，该约束使得时间临近的检测位置较具有很大时间间隔的位置更近。本文使用一个multi-task loss来联合学习目标的association，为使定位更加精准，使用bounding box回归。整个网络是端到端进行训练的。对于跟踪而言，目标关联是通过使用从所提网络中学习得到的度量（metric），最小化极大值（minimax）标签传播的方式进行。

贡献：

①提出一种深度神经网络的四元结构（Quad-CNN）来学习多目标跟踪的目标关联。在学习的时候，Quad-CNN联合了检测结果的外观和特定序列中能够感知运动的位置。

②使用一种multi-task loss来联合学习目标关联和Bbox回归，整个的网络在一个统一的框架中被端到端的训练。

③采用一种修改过的minimax label propagation算法来做快速且鲁棒的数据关联。