Angesichts der aktuellen Mängel des auf der Erkennung basierenden Multi-Target-Tracking-Paradigmas untersucht dieser Artikel den DeepSort-Algorithmus als Basismodell, um das Problem des häufigen Wechsels der Ziel-IDs durch Verdeckungen beim Tracking zu lösen. Zunächst wird das Erscheinungsbildmodell verbessert, indem das ursprüngliche Wide-Residual-Netzwerk durch ein ResNeXt-Netzwerk ersetzt wird, und ein konvolutionaler Aufmerksamkeitsmechanismus im Backbone-Netzwerk eingeführt wird, um ein neues Personen-Reidentifikationsnetzwerk zu erstellen, das das Modell stärker auf wichtige Zielinformationen fokussiert und effektivere Merkmale extrahiert; dann wird YOLOv5 als Detektionsalgorithmus verwendet, eine Detektionsschicht hinzugefügt, damit das Modell sich an Ziele unterschiedlicher Größe anpassen kann, und im Backbone-Netzwerk ein Koordinaten-Aufmerksamkeitsmechanismus integriert, um die Genauigkeit des Detektionsmodells weiter zu verbessern. Multi-Target-Tracking-Experimente wurden auf dem MOT16-Datensatz durchgeführt, mit einer Multi-Target-Tracking-Genauigkeit von 66,2 % und einer Multi-Target-Tracking-Präzision von 80,8 %, wobei die Echtzeit-Tracking-Anforderungen erfüllt werden.

Multi-Target-Tracking; Personen-Reidentifikation; YOLOv5; Aufmerksamkeitsmechanismus; Deep Learning