Nov, 2015

在线目标特定度量学习和连贯动力学估计进行路径片段关联

PDF
TL;DR本文提出一种基于在线目标特定度量学习和协同动力学估计的方法，通过网络流优化来实现长期多人跟踪中的轨迹相关性关联。该方法利用外观和动态线索，避免跟踪时出现身份混淆，并恢复漏检。在跟踪过程中，学习和在线估计目标特定的度量（外观线索）和动态（运动线索），即使由于遮挡或对象间相互作用而无法识别或跟踪目标时仍有效。文中还提出了学习这两种跟踪线索的权重来有效处理严重遮挡和对象间相互作用等困难情况。该方法在多个公共数据集上验证，实验结果表明优于多种最先进的跟踪方法。
发现论文，激发创造
  • FANTrack: 基于特征关联网络的三维多目标跟踪

    我们提出了一种数据驱动的方法，使用卷积神经网络（CNN）在一个检测跟踪框架中进行数据关联来进行在线多目标跟踪（MOT）。我们的解决方案学习如何在数据和图像之间组合线索来解决关联问题，可以在处理复杂情况下准确跟踪物体并获得优异结果。

    May, 2019

  • TrackFlow: 多目标跟踪与归一化流

    通过概率建模解决多目标追踪中的多模态信息融合问题，提高了多个基于检测的追踪算法的性能。

    Aug, 2023

  • 追踪不可追踪的物体：学习如何跟踪多个线索及其长期依赖性

    本文研究的是多目标跟踪中数据关联错误的问题，提出了一种基于 RNN 的多信号联合跟踪方法，能够编码多信号的长期时间依赖性，有效地解决了遮挡和外观相似等问题，取得了比之前公开数据集更好的跟踪效果。

    Jan, 2017

  • 基于端到端学习的轨迹关联跟踪器：多目标跟踪的关联方法

    本文提出了一种名为 Tracklet Association Tracker（TAT）的新型多目标跟踪框架，旨在将特征学习和数据关联高效地融合在一起，通过双层优化公式实现，以使关联结果可以直接从特征中学习。同时，为了提高性能，本文采用了流派融合、对齐和选择等方法，在 MOT2016 和 MOT2017 基准测试中均取得了最先进的性能等级。

    Aug, 2018

  • 基于图神经网络的端到端数据关联框架用于在线多目标跟踪

    本文提出了一个以神经网络为基础的端到端框架，用于解决在线多目标跟踪中的数据关联问题。算法将帧间数据关联建模成最大带权二分匹配问题，并利用预先学习好的神经网络进行求解，该网络结合了外观和运动特征来计算有关联所需的邻接矩阵。实验表明，该框架能够提供更快的计算速度和更好的跟踪精度。

    Jul, 2019

  • MotionTrack: 学习多目标跟踪的强健短期和长期运动

    本文提出了一种名为 MotionTrack 的简单而有效的多目标跟踪器，它在统一框架中学习健壮的短期和长期运动，以将轨迹从短范围关联到长范围。通过在检测范例跟踪中嵌入 Interaction Module 和 Refind Module​​，在挑战性场景中，该方法在各种 MOT 指标上均实现了最先进的性能。

    Mar, 2023

  • 使用分层深度轨迹复识别技术进行多人跟踪

    本文提出了一个 hierarchical clustering 机制的跟踪框架，以便在利用 multi-stage deep network 进行 tracklet re-identification 的同时，合并 tracklets，从而提高多人追踪准确性。在 MOT16 和 MOT17 基准测试中，实验结果表明，我们的方法显著优于最先进技术。

    Nov, 2018

  • 聚合本地流描述符的近在线多目标跟踪

    论文提出了一种面向多目标跟踪的测量相似度的方法，把问题表述为一种数据关联问题，并使用多个线索和长期轨迹规范来提高算法的鲁棒性和准确性，并且实验表明该方法在 KITTI 和 MOT 数据集上比现有算法的平均跟踪准确性提高了约 10%。

    Apr, 2015

  • 一个混合数据关联框架用于稳健的在线多目标跟踪

    本文提出一种混合数据关联框架，使用最小代价多商品网络流进行在线多目标跟踪，实现了全局优化的数据关联和本地目标特定模型相结合的目标。

    Mar, 2017

  • Siamese CNNs 和时序约束度量的联合学习，用于 Tracklet Association

    本文提出了一种新的多目标跟踪方法，该方法联合训练卷积神经网络和时序约束测量，并提出了一种新的损失函数，包含时序约束多任务学习机制，以构建基于外貌的轨迹亲和力模型，并通过使用本文提出的方法，多目标跟踪的关联可以在挑战性情况下完成。实验结果表明，该方法在多目标跟踪中胜过多种最先进的方法。

    May, 2016