利用传统概率方法和语义对象分割的先进技术，通过跟踪鱼群在世界坐标系中的位置和空间扩展，结合视频数据和无人机上的传感器信息，从而实现对鱼群行为的长期分析。

Jun, 2024

介绍了一种名为 BioTracker 的开源计算机视觉框架，可用于追踪动物在不同环境中的位置，提供多种不同的跟踪算法并支持自定义实现新的跟踪模块和视觉算法，有助于加快科学研究速度和开发新的视觉算法。

Mar, 2018

本文提出了一种基于深度学习目标检测的无人机多目标跟踪和三维定位方案，将 TrackletNet Tracker（TNT）和多视图立体技术相结合，能够对设备拍摄的对象进行检测、跟踪并测定其三维坐标。

Oct, 2019

本文提供了一个在室外环境中操作的用于多摄像头飞行器控制的实时航拍系统，可以在不使用专用标记的情况下重建自然环境中的人体动态，使用多机器人协调方案维护目标重建质量的最优飞行编队，该系统在仿真和现实中的性能表现得到验证。

Aug, 2021

本文探索一种实用的多目标跟踪方法，强调高效地为实时应用程序分配对象。在追踪组件中，使用了卡尔曼滤波器和匈牙利算法等熟悉技术的简单组合，同时也发现检测质量是影响跟踪性能的关键因素之一。通过更改检测器，跟踪精度可以提高高达 18.9％。此外，由于跟踪方法的简单性，该跟踪器的更新速率为 260 Hz，比其他最先进的跟踪器快 20 倍以上。

Feb, 2016

本文提出一种新的无标记动作捕捉技术，通过多个 RGBD 相机集成的自主飞行相机追踪运动目标的表面运动，利用无线电视移动引导信息和提出的非刚性表面配准方法实现了表面运动跟踪。

Oct, 2016

无标记方法的动物姿势跟踪近年来得到发展，但在三维中跟踪大型动物群体的框架和基准仍然缺乏。为了弥补文献中的这一空白，我们提出了 3D-MuPPET，一个使用多视图以交互速度估计和跟踪多达 10 只鸽子的三维姿势的框架。我们训练了一个姿势估计器来推断多只鸽子的 2D 关键点和边界框，然后将关键点三角化为三维。对于对应匹配，我们首先动态地将 2D 检测匹配到第一帧的全局身份，然后使用 2D 跟踪器在后续帧中保持对应关系。我们在均方根误差 (RMSE) 和正确关键点的百分比 (PCK) 方面实现了与最先进的 3D 姿势估计器相当的准确度。我们还展示了一个新颖的用例，即我们使用单只鸽子的数据训练的模型在包含多只鸽子的数据上提供了可比较的结果。这可以简化到新物种的领域转变，因为注释单个动物数据的工作量比多个动物数据的工作量小。此外，我们对 3D-MuPPET 的推断速度进行了基准测试，在 2D 中为每秒 10 帧，在 3D 中为每秒 1.5 帧，并进行了定量跟踪评估，取得了令人鼓舞的结果。最后，我们展示了 3D-MuPPET 在室内和室外环境中无需模型微调即可运行的能力，据我们所知，我们是首次提出在室内和室外环境中工作的 2D/3D 姿势和轨迹跟踪框架。

Aug, 2023

本文介绍了使用视觉算法进行目标定位、实时增量式 3D 签名距离地图算法进行遮挡和安全计算、实时相机运动规划器进行优化平滑度、碰撞、遮挡和艺术指导的航拍摄影完整系统，旨在克服多个专业领域影响安全控制无人机的局限，并验证该系统在追踪动态目标方面的稳健性和实时性，最终证明该系统达到了当前最佳性能。

Apr, 2019

动物种群数量急剧下降，精确计数濒危物种的技术对于长期监测种群变化至关重要。本研究侧重于优化用于无人机图像的目标检测模型，以创建准确的动物物种计数。通过使用无人机拍摄的数百张图片和大量可获取的无人机图像数据集，我们将传统的 YOLOv8 架构进行了优化。我们训练了 30 个不同的模型，其中最大的模型具有 4370 万个参数和 365 个层，并利用超参数调整和数据增强技术来提高准确性。尽管最先进的 YOLOv8 基线在野生动物数据集上只有 0.7％的准确性，但我们的模型在相同数据集上达到 95％的准确性。最后，我们将模型部署在 Jetson Orin Nano 上，演示了低功耗实时物种检测，便于在无人机上进行推断。

Jun, 2024

研究深度神经网络在视觉追踪中是否具有物体外观和运动特征模拟的能力，并提出了一种追踪对象基于动态线索电路模型，并将之加到基于转换器的体系结构进行追踪，使其具有更好的普遍性和鲁棒性。

May, 2021