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。
Nov, 2015
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
本文提出了一个可微分的框架,通过解决一个双层优化问题,在学习过程中将训练和推断绑定在一起,以显式学习和正则化全局参数化的代价函数以实现更好的全局 MCF 跟踪目标,从而在 MOT16,MOT17 和 MOT20 等流行的多对象跟踪基准测试中实现了与当前最先进方法相当的竞争表现。
Mar, 2022
本文提出一种新的学习可伸缩图匹配方法,用于解决目前多目标跟踪(MOT)任务中的数据关联问题,该方法可以使跟踪器在面对严重遮挡等困难情况时表现更加优异,同时在多项标准 MOT 数据集上取得了最先进的性能。
Mar, 2021
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
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。
Jul, 2016
本文提出一种针对高密度人群场景的多目标追踪算法,采用二次规划方法和 Modified Frank Wolfe 算法,同时利用外观、运动、邻域运动、空间邻近性和分组约束等上下文信息进行探测和数据关联,有效提升目标检测效率,并在 11 个高密度人群序列上实验证明其较现有方法有显著的优势。
Mar, 2016
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。
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
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