AAAIDec, 2014

基于度量学习的多任务结构化输出优化技术，用于强健的关键点跟踪

PDF
TL;DR提出了一种基于时空多任务结构输出优化的鲁棒性关键点跟踪器，实现了跨帧时空模型的一致性、帧内空间模型的一致性以及辨别特征的构建，并采用联合学习方案同时优化了上述三个模块。
keypoint-based object trackingspatio-temporal learningdiscriminative feature constructionmetric learningmulti-task optimization
发现论文，激发创造
  • 立体三维物体跟踪的联合时空优化

    通过深度神经网络强大的目标理解，同时处理精确几何建模的一致轨迹估计，提出了一种基于联合时空优化的立体 3D 对象跟踪方法，在 KITTI 跟踪数据集上取得显著优于先前方法的定量评估结果，并在多个类别和大型数据集（KITTI 原始和 Argoverse 跟踪）上进行了广泛的结果报告以供未来基准测试。

    Apr, 2020

  • 面向判别性表示学习：用于在线多目标跟踪的多视角轨迹对比学习

    本文介绍了一种多视角轨迹对比学习的策略，通过建立动态更新的内存库来维护整个轨迹的向量，使用轨迹级对比损失探索全局信息，同时在推断阶段，开发了一种相似度引导的特征融合策略来进一步提高轨迹表示的质量，实验结果表明，本方法已经超越了先前的跟踪器，并取得了最新的表现。

    Mar, 2022

  • 用循环特征图进行大边界目标跟踪

    提出了一种高速物体追踪方法，同时结合多模态目标检测技术和反馈机制以提高目标追踪精度，基于两种特征表达方式验证了算法的强兼容性，实验证明该方法在挑战性测试序列中表现优异且每秒超过 80 帧。

    Mar, 2017

  • 端到端学习鲁棒姿态 3D 匹配的关键点检测器和描述符

    本论文提出了一种基于端到端学习框架的关键点检测及其表示的方法，以适应于三维深度地图或扫描，通过采样相应的区域提案实现正负样本的自动获取，并在多个基准数据集上进行匹配实验，表明该方法相对于现有方法具有明显的改进。

    Feb, 2018

  • 用多路池化的判别性外观建模进行实时多目标跟踪

    本研究提出了一种多目标跟踪方法，通过使用新颖的 “多轨道汇聚模块” 同时处理所有的轨迹，从而避免了在场景中存在类似目标时模型对每个目标进行单独建模的缺陷，实现了在线实时操作和最先进的性能表现。

    Jan, 2021

  • 基于卷积神经网络单目标跟踪器与时空注意力机制的在线多目标跟踪

    本文提出了一种基于 CNN 的框架，用于在线多目标跟踪，并引入了空间 - 时间注意机制处理 Occlusion 问题，从而实现在 MOT15 和 MOT16 基准数据集上 34.3% 到 46.0% 的多目标跟踪性能。

    Aug, 2017

  • 多物体跟踪的单目和多目特征学习

    本文提出了一种简单而有效的两阶段特征学习模型，以共同学习不同目标的单帧特征和多帧特征，从而在跟踪过程中实现鲁棒的数据关联。通过引入单帧特征学习模块和多帧特征学习模块，可以有效地关联相邻帧之间的目标和长时间丢失的目标。通过简单的数据关联逻辑，所提出的 VisualTracker 能够基于单帧特征和多帧特征进行鲁棒的多目标跟踪，实验结果表明该方法在 MOT17 和 MOT20 数据集上取得了显著的改进，并在 DanceTrack 数据集上达到了最先进的性能。

    Nov, 2023

  • 学习长期跟踪器分数的空间分布

    该论文总结了长期跟踪中的关键问题，提出了基于融合追踪器策略的学习方法，并通过实验证明了模型与数据的独立性，并在竞争中取得了领先地位。

    Aug, 2023

  • 用于干扰物过滤的时空双向跨帧记忆的点云单目标跟踪

    我们设计了一种创新的时空双向跨帧干扰滤波追踪器 STMD-Tracker，通过使用 4D 多帧时空图卷积骨干和双向跨帧内存过程，结合空间可靠高斯掩码和对象感知抽样策略，有效改善了 3D 单物体在 LIDAR 点云中的跟踪准确性，超过了当前最先进的方法。

    Mar, 2024

  • 多目标跟踪的空间 - 时间关系网络

    本研究提出一种名为空间 - 时间关系网络（STRN）的方法，利用统一框架同时编码多个线索来计算相似度，并深入研究了轨迹物体对的特征表示方法，成功地在 MOT15-17 基准测试中达到了最先进的精度。

    Apr, 2019