Occlusion-Aware Joint Matching: A Study on Multimodal Face-Pedestrian Association for Multi-Object Tracking
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Complex Multi-Object Tracking suffers from identity switches and fragmentation due to appearance similarity and occlusion. Current methods lack robust cross-category (e.g., face-pedestrian) matching. To address this, we propose an improved FairMOT model for multi-class face-pedestrian tracking. Our approach features a novel joint spatiotemporal-appearance metric integrating historical centroid distance, IoA/IoU constraints, cross-target feature validation, and occlusion-aware weight adaptation. Matching uses Hungarian-algorithm bipartite graph optimization. Evaluations on Chokepoint_Face_Pedestrian_Track show significant superiority over traditional methods (IoU, IoA, FP), with about 4–43 pp F1 AUC gains in complex scenarios, confirming enhanced robustness and accuracy.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Occlusion-Aware Joint Matching: A Study on Multimodal Face-Pedestrian Association for Multi-Object Tracking
- Date Crossref
- 08/08/2025
- Éditeur
- IEEE
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
PLA Information Engineering University pays non établi dans la noticeUniversité ou école supérieure
PLA Information Engineering University.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.