理解GNN在3D物体跟踪与轨迹预测中联合框架的论文

Joint 3D Tracking and Forecasting with Graph Neural Network and Diversity Sampling

论文下载地址
这篇文章联合训练3D追踪和预测网络，同时完成追踪和预测任务，本篇读书笔记主要研究MOT任务。

本文仅仅使用了运动特征，没有使用表观特征。本文使用双层LSTM获取历史轨迹的运动特征，双层MLP获取识别结果的运动特征，使用两层GNN网络融合节点特征，GNN网络的特征融合不独立计算，最终使用匈牙利算法得到匹配结果。

亮点：

• 与AB3DMOT相比，追踪过程加入了神经学习网络，使用LSTM和MLP获取运动特征，并使用GNN进行特征聚合，获得更好的特征表示，使相互关联的节点相似度更高，不是相互关联的节点的相似度更低ÿ