Jul, 2016

多目标联合分割和跟踪的多割切形式化

PDF
TL;DR本文提出一种基于最小代价多切割公式的联合图模型，该模型结合了点轨迹和对象检测的高级信息和本地关系，成功地解决了运动分割和多目标跟踪等任务。
minimum cost multicut formulationsgraphical modelmotion trajectory segmentationmulti-target trackingobject detection
发现论文，激发创造
  • 基于 Multicut 和 Deep Matching 的多人跟踪

    本文提出了一种基于图形的跟踪方法，使用新的本地成对特征，解决包含离群点的多切割问题并在 MOT16 基准测试上取得了最优效果。

    Aug, 2016

  • 运动分割的高阶最小成本提升多切割

    该论文针对运动分割中的局限性提出了一种基于超图的最小成本量切割方法和相应的启发式算法，准确构建出点轨迹的高阶图形模型，以更好地区分运动模型的不同变换，结果在 FBMS-59 数据集上表现优于现有技术。

    Apr, 2017

  • 多切割技术支持的高阶分割

    Multicuts 和 higher-order models 在图像分割和计算机视觉中被广泛应用，在考虑 higher-order terms 的计算插值中，我们提出了一种系统的方法，并对各种算法进行了全面和竞争性的评估，此方法允许计算出一组重要的模型的全局最优解，同时不会影响运行时间，同时还研究了可解的松弛问题和后处理技术。

    May, 2013

  • 移动单目相机的运动分割

    本研究讨论了利用点轨迹和光流等方法相互融合，在移动的单目摄像头中识别和分割运动物体，实现对复杂场景中不同对象运动的模拟，最终取得了最先进的效果。

    Sep, 2023

  • 利用几何和形状线索进行在线多目标跟踪

    该论文提出了城市驾驶场景中多目标跟踪的几何和物体形状以及姿势成本方法，通过使用单目相机图像，基于三维线索，设计成对的目标跟踪成本，这些成本易于实现，可实时计算，可以结合任何优化框架以输出成对数据关联。同时，本文提出的方法在不同条件下的实验表明，可以显著提高多目标跟踪的效果，并且不依赖于选择的关联框架方法。

    Feb, 2018

  • CML-MOTS：协同多任务学习用于多目标跟踪和分割

    我们提出了一个在视频帧上进行实例级视觉分析的有效框架，可以同时进行对象检测、实例分割和多对象跟踪。通过一种名为关联连接的新型结构，我们实现了协同多任务学习，在可学习的 CNN 中的检测、分割和跟踪任务之间建立了额外的连接。这些额外的连接允许信息在多个相关任务之间传播，同时使这些任务受益。我们在 KITTI MOTS 和 MOTS 挑战数据集上广泛评估了所提出的方法，并获得了令人鼓舞的结果。

    Nov, 2023

  • 可学习的在线图像表征：用于 3D 多目标跟踪

    本篇研究论文提出了一种基于学习的三维多目标跟踪方法，在公共数据集 nuScenes 上取得了近年来最好的性能表现，采用的关键技术包括神经消息传递网络、数据关联和轨迹稳定性的处理。

    Apr, 2021

  • 在线多目标跟踪分治学习

    本论文提出了一种基于在线分治跟踪器的方法，其将分配问题分为本地子问题，并通过选择和组合最佳功能来解决问题，从而增强了跟踪性能，并通过两个不同数据集上的实验验证了该方法的优越性。

    Sep, 2015

  • 三维多目标跟踪的图神经网络

    本研究提出了一种基于图神经网络和联合特征提取的 3D 多物体跟踪算法，通过在 KITTI 数据集上的实验验证，取得了最先进的 3D MOT 性能。

    Aug, 2020

  • 基于因子图的点云 3D 多目标跟踪

    本文提出了基于高斯混合模型和因子图框架的非线性最小二乘优化，用于处理三维空间中多个移动物体的跟踪问题，并展示了在 KITTI 跟踪数据集上实验的表现。

    Aug, 2020